MCF41A0110-5A3-4-00  

檢測算法識別漆面缺陷的過程分以下 4步：圖像采集、預處理、特征提取和分類決策。

圖像采集是指通過檢測系統獲取到的車身不同部位漆面的圖像信息。

預處理主要是指圖像處理中的灰度化處理、圖像濾波、裁剪分割、形態學處理操作，去除非必要檢測區域，加強圖像的重要特征，使缺陷特征更容易被提取出來。

特征提取是指采用某種度量法則，進行缺陷特征的抽取和選擇，簡單的理解就是將圖像上的漆面缺陷與正常漆面，利用某種方法將它們區分開。

分類決策是指構建某種識別規則，通過此識別規則可以將對應的特征進行歸類和判定，主要應用于漆面缺陷的分類， 以指導后續的打磨拋光操作。

目前，常用的漆面缺陷檢測算法主要分為 2類：傳統圖像算法和深度學習算法。這2種算法的主要區別在于特征提取和分類決策的差異。

傳統圖像算法

傳統圖像算法中特征提取主要依賴人工設計的提取器，需要有專業知識及復雜的參數調整過程，分類決策也需要人工構建規則引擎，每個方法和規則都是針對具體應用的，泛化能力及魯棒性較差。具體到缺陷檢測的應用場景，需要先對缺陷在包括但不限于顏色、灰度、形狀、長度等的一個或多個維度上進行量化規定， 再根據這些量化規定在圖像上尋找符合條件的特征區域， 并進行標記。

深度學習算法

深度學習算法主要是數據驅動進行特征提取和分類決策，根據大量樣本的學習能夠得到深層的、數據集特定的特征表示，其對數據集的表達更高效和準確，所提取的抽象特征魯棒性更強，泛化能力更好，但檢測結果受樣本集的影響較大。深度學習通過大量的缺陷照片數據樣本訓練而得到缺陷判別的模型參數， 建立出一套缺陷判別模型， 最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別缺陷。

總體來講，傳統圖像算法是人工認知驅動的方法，深度學習算法是數據驅動的方法。深度學習算法一直在不斷拓展其應用的場景，但傳統圖像方法因其成熟、穩定特征仍具有應用價值。

應用案例

某主機廠應用了漆面缺陷檢測系統，系統安裝在 1 條面漆存儲線上，可同時滿足 2 條精修線車輛的漆面缺陷檢測， 設計產能 40 JPH， 可檢測的最大車身尺寸為 5 000 mm×2 000 mm×1 800 mm， 檢測速度 6 m/min。

系統采用紅色LED燈帶作為光源，主檢測站配備39個500萬像素高清相機，尾門檢測站配備 9 個500 萬像素高清相機，每分鐘可采集近5 萬張的車身照片，通過光纖傳輸給圖像處理計算機，采用傳統2D圖像算法進行缺陷識別。

MCF41A0110-5A3-4-00 1769-CRL3
1769-CRR1
1769-CRR3
1769-ECL
1769-ECR
1769-HSC
1769-IA16
1769-IA8I
1769-IF16C
1769-IF16V
1769-IF4
1769-IF4FXOF2F
1769-IF4I
1769-IF4XOF2
1769-IF8

MCF41A0110-5A3-4-00