基于机器视觉的汽车漆膜外观质量检测与评价方法研究
摘要：本文针对汽车漆膜质量检测问题，提出融合深度学习的机器视觉检测系统。系统采用硬件-软件协同架构，通过多光谱成像技术实现对汽车曲面部件的全覆盖检测，并设计曲面自适应光照补偿模型，构建符合标准的缺陷分类体系。关键技术包括基于反射率校正的曲面补偿算法、改进的YOLOv5缺陷检测算法以及多维度量化评价体系。实验结果表明，该系统在检测速度、漏检率、误检率及综合成本方面均优于人工检测，能有效解决传统方法在曲面部位检测的难题，提升汽车漆面质量控制水平，为汽车涂装工艺优化提供数据支持，助力汽车制造智能化发展。
关键词：汽车漆膜机器视觉深度学习缺陷检测质量评价
汽车漆膜质量直接影响产品防腐性能与市场竞争力，据统计，涂装缺陷导致的返修成本占整车制造成本的3%-5%[1]。传统人工检测受限于主观经验与视觉疲劳，难以满足智能制造对检测精度（≤0.1mm）与效率（≥60JPH）的要求。机器视觉技术为漆膜质量量化评价提供了新路径，Zhang等通过多光谱成像实现了涂层厚度的在线测量，但在曲面反射抑制方面仍存在局限[2]；而ISO2813标准对光泽度量化评价的规范化需求，进一步凸显了检测方法标准化研究的必要性。本文提出融合深度学习的机器视觉检测系统，创新性设计曲面自适应光照补偿模型，并构建符合ASTMD523标准的缺陷分类体系，为解决汽车涂装行业微缺陷识别率低、评价标准离散化等问题提供技术支撑。
1检测系统总体设计
1.1系统架构
本系统采用模块化设计理念，构建如图的硬件-软件协同架构。系统由图像采集单元、数据处理单元和人机交互单元组成，其中图像采集单元采用多光谱成像技术实现对汽车引擎盖、车门等典型曲面部件的全覆盖检测。数据处理单元通过边缘计算设备实现检测算法部署，确保满足产线节拍要求（≤45秒/台）。系统通信采用工业以太网协议，实现与工厂MES系统的实时数据交互。
1.2硬件配置
硬件系统核心参数如表1所示，选用Baslerace2相机（分辨率2，448×2，048，帧率25fps）配合EdmundOptics55mm远心镜头，确保在300-700nm光谱范围内实现微米级缺陷捕捉。
针对汽车曲面件检测需求，设计了如上图所示的多角度LED阵列布局，金色点表示8组主照明LED，蓝色点表示2组辅助检测LED，该设计可使光照均匀度达到92%以上（测量方法参照ISO13660标准）。采用8组环形排列的白色LED（色温6，500K）与4组倾斜30°布置的蓝色LED（波长460nm）组合照明方案，有效消除引擎盖、车门等复杂曲面的反光干扰。
1.3软件处理流程
各模块采用线程池并行处理技术，通过共享内存实现数据零拷贝传输。实验表明，该系统在检测车门部件时，单件处理时间控制在8.2s以内，满足产线节拍要求。系统集成OPCUA接口，可将检测数据实时上传至MES系统，实现质量数据追溯[3]。
在产品的生产线上，为了确保能够满足实时检测的要求，我们对关键处理阶段进行了严格的时间分配。首先是图像采集阶段，这一过程需要40毫秒。完成图像采集后，随即进入预处理阶段，该阶段耗时25毫秒。预处理完成后，系统将进入缺陷分析阶段，这一阶段的时间为50毫秒。最后是结果输出阶段，仅需5毫秒即可完成。通过这样精细的时间分配，整个关键处理阶段能够在规定的时间内完成，从而满足产线实时检测的要求。
2关键技术研究
2.1图像预处理算法
在汽车曲面件检测中，由车身复杂曲面导致的光照反射差异是影响检测精度的首要问题。本研究提出基于反射率校正的曲面补偿算法，其数学模型可表述为：
其中，是校正后像素值，是原始图像像素值，曲面反射率分布函数，是标准平面平均反射率。
由上图可知，该算法通过建立曲面反射率映射，有效消除因车身曲面导致的明暗差异。采用自适应双边滤波进行噪声抑制，保留边缘特征的同时降低表面颗粒干扰。左图为原始采集图像，右图显示经过反射率补偿后的处理效果。通过直方图均衡化处理，表面纹理清晰度提升62%，为后续缺陷识别奠定基础[4]。
2.2缺陷检测算法
为了更好地适应漆膜缺陷检测任务，对YOLOv5网络架构进行了针对性的改进。在Backbone部分，引入了CBAM注意力模块，这一模块能够有效提升对微小缺陷特征的提取能力，使网络在处理细微缺陷时更具优势。在特征金字塔结构上，采用了BiFPN，它能够优化多尺度特征融合，从而提升对不同尺寸缺陷的检测效果，让模型在面对多尺度缺陷时表现更出色。在损失函数方面，引入了FocalLoss，这一损失函数能够有效解决样本类别不平衡问题，使模型在面对类别分布不均的数据时，能够更好地学习和区分各类缺陷，进而提升整体的检测性能。
由上表可知，在自建数据集（包含2，500张标注图像）