汽車塗裝自動化中數字圖像處理技術的運用論文

　　摘要：數字圖像處理在汽車塗裝領域的應用, 本文介紹了數字圖像處理基礎和數字圖像處理在自動車型識別, 易磨損部位檢測和預警以及車身表面質量檢測的應用。

　　關鍵詞：汽車塗裝; 數字圖像處理;

1、引言

汽車行業本就是自動化程度較高的產業, 但是目前的工業4.0和日益上漲的人力成本給汽車企業提出了更高的要求, 數字圖像處理在快速、高效的完成汽車塗裝生產和塗裝生產過程中的缺陷檢測方面有顯着優勢。另外為實現高節奏的生產過程中, 高速運轉的設備故障預警, 數字圖像處理也提供了可行的解決方案。

2、數字圖像處理基礎

提到數字圖像處理, 首先要明確什麼是數字圖像。一幅圖像可以定義為一個二維函數 (x, y) , 其中x和y是空間 (平面) 座標, 而任何一對空間座標 (x, y) 處的幅值f稱為圖像在該點的強度或灰度。當X, Y和灰度值f是有限的離散數值時, 我們稱該圖像為數字圖像。有了數字圖像, 我們可以對數字圖像進行處理, 對數字圖像處理可以分為初級處理、中級處理、高級處理三種方式, 初級處理就是對圖像進行簡單的處理, 例如我們平時用的ps和相機美顏功能, 都可以理解為對數字圖像進行了初級處理, 這種處理輸入的是圖像 (原圖) , 輸出是處理過的圖像 (例如PS過的圖像) 。中級處理, 在初級處理的基礎上, 輸入的是圖像, 輸出的則是從圖像處理中得到的信息, 例如小區停車場的攝像頭, 拍攝車牌號的圖像, 在圖像中提取出車牌號信息, 與數據庫中的信息進行比對, 從而實現身份進入、停車計時等功能。最後, 高級處理就涉及到計算機自主學習的功能, 例如對車身表面噴塗質量的檢測, 就屬於對數字圖像的高級處理。詳細應用將在下文闡述。

3、數字圖像處理在汽車塗裝領域的應用

3.1、自動車型的識別

在汽車塗裝工藝中, 針對不同的車型, 設備需要設定不同的工藝參數, 例如前處理自動加藥的加藥量, 電泳的電壓, 噴塗機器人的軌跡等等。針對這一應用, 目前汽車廠大部分使用光電開關, 針對不同車型的特徵點進行檢測, 這種方式的有點在於成本低, 一般一到兩個光電開關就可以檢測2-3種車型, 但是這種檢測方式的缺點在於它檢測的車型必須有明顯的特徵點或者尺寸差別, 這樣才能完成車型的識別。而針對尺寸差別不大或者沒有明顯特徵點的車型, 光電開關就無能為力了。這時就該數字圖像處理出馬了。我們在固定位置拍照, 我們把目標也就是車身標為1, 把背景標為0, 我們設定每個車型的1和0邊界, 通過計算機內部算法對圖像進行邊界判定, 這樣就可以根據1和0的邊界樣式識別出是哪種車型。以上的方法是界定邊界法。或者, 我們可以使用另一種方法——骨架法。骨架法是界定邊界法的簡化形式, 我們在邊界選取一些特徵點, 然後把特徵點按一定順序連接起來, 這樣構成的圖形, 就是這個圖形的邊界骨架, 只要選取的骨架點能反應出不同的車型, 這種方法的計算量會小很多, 適合運算資源不夠的情況。選取的點的數量不同, 識別的精度也不相同。

3.2、易磨損部位的`檢測及預警

汽車工廠裏面的設備需要長時間高負荷運行, 有些易磨損部位的檢測就成了難題, 我們無法經常性的停機檢查, 那樣會嚴重影響生產, 另外我們也很不容易憑藉肉眼來觀察出細微的磨損, 因此在線實時檢測易磨損部位的磨損情況就顯得十分重要。

首先一般我們需要觀察的易磨損部位周邊情況都比較複雜, 或者光線條件不好, 無法得到十分清晰的照片, 這樣就需要我們先對數字圖像進行一定程度的變換。首先要對圖像進行最簡單的灰度變換, 例如我們可以把過亮的圖像通過把整個圖像灰度變小實現圖像的變暗, 或者把過暗的圖像的整個灰度變大實現圖像的變量, 或者通過函數, 把在一個很大範圍灰度的圖像的大範圍灰度映射到一個比較小的灰度範圍, 這樣可以在圖像中凸顯出目標物體。另外常用的變換還有對數變換、伽馬變換、分段線性變換、平滑空間濾波變換、鋭化空間濾波變換、混合空間變換等, 這些變換都是對圖像的灰度進行鍼對性的處理, 以達到預期的效果。

我們對灰度變換後的圖像, 獲取他的邊界, 與正常無磨損的部件邊界進行對比, 實時進行檢測。這樣我們還可以根據磨損的程度, 設定一個預警機制, 可以根據磨損速度, 預測該易磨損件的壽命, 制定維修計劃。在達到預測的壽命時可以直接更換該易損件, 或者增加關注度, 實時觀測磨損程度, 在磨損程度達到臨界值時再進行更換, 這樣可以大大節約成本。

3.3、車身表面質量檢測

質量是產品的生命, 對於汽車產品來説, 好的塗裝表面是車質量最直接最外在的體現, 所以, 每個汽車廠都對汽車車身表面質量檢測十分嚴格, 目前大部分汽車廠都採用人工檢測, 通過在線人員的眼看、手摸來發現汽車車身表面存在的質量問題。但是首先這種傳統的方式對在線的工人要求很高, 工人必須有豐富的經驗才能應對形形色色的車身質量問題, 培養一個經驗豐富的工人需要很長的時間, 由經驗不豐富的工人進行檢查可能造成錯檢。其次, 工人很難在高負荷的連續生產下保持長時間的專注度, 往往可能在連續工作一段時間後由於注意力下降, 可能造成漏檢。另外, 這種檢測往往很難形成統一的技術規範、技術標準, 例如工人覺得車身車門有色差, 這就是一個完全主觀的判斷, 沒有任何數據做支撐, 每個人對色彩的敏感程度不同就會做出不同的判斷。針對這些問題, 在車身表面質量檢測過程中引入數字圖像處理技術的優勢明顯。首先, 機器通過學習後學習的經驗完全可複製到其他的機器中, 這樣就解決的經驗豐富的問題, 機器可以通過不斷的學習, 不斷的完善自己的知識庫, 同時把這些經驗實時共享給其他的機器。其次, 機器是不知疲倦的, 也不會出現注意力不集中的問題, 無論工作多久都會保質保量的完成工作。最後, 通過數字圖像處理, 完全可實現不同質量缺陷的標準化, 例如計算機通過對圖片的數字化處理, 完全把車身的顏色數字化, 顏色在什麼範圍認為是沒有問題的, 超出範圍就認為有色差, 這樣所有的車身都是一個標準, 避免了主觀意識對質量的影響。

為了實現車身表面質量的檢測, 首先要對車身表面的照片進行處理。這些處理包括:圖像降噪處理、圖像色彩分層、圖像的點線邊緣檢測。處理過的圖像我們還需要對圖像進行壓縮, 因為圖像中包含了很多我們不需要的信息, 而計算機的存儲和運算速度有限, 我們要把資源用在刀刃上, 所以對數字圖像進行壓縮也是必須的。最後我們需要對圖像進行頻率域變換, 這是數字處理的重中之重, 數字計算和快速傅里葉變換算法 (FFT) 是人們對數字圖像處理的關鍵技術。之後我們需要對數字圖像進行全局閾值處理, 這種處理的目的在於突出我們的目標區域, 而使其他的“背景”完全“消失”, 這樣我們可以更清楚的實現對圖像的處理。

在我們收集了足夠多的處理過的數字圖像後, 我們可以開始進行機器學習了, 我們設定不同的分類器, 每個分類器對應一種缺陷, 然後我們把收集的數字圖像隨機分為三個集合:訓練集、驗證集、測試集。然後我們用訓練集訓練一個分類器, 然後再用驗證集和測試集來測試分類器的準確性。在訓練過程中, 可能會出現欠擬合或者過擬合, 欠擬合就是模型擬定的太嚴謹, 不符合現實情況。過擬合就是算法不但學習了數據, 還把噪聲學習了這樣的算法無法推廣。我們需要尋找到一個平衡點, 既能完成對缺陷的處理又能保證正常合格車身的通過率。

4、結語

數字圖像處理技術在汽車塗裝自動化領域的運用, 必將對改善車身質量, 降低人力成本起到積極作用。並且, 隨着數字圖像處理技術的進一步發展, 和數字處理算法的進一步優化, 數字圖像處理將更快更準確的尋找和發現汽車塗裝表面缺陷。隨着數字圖像處理在汽車塗裝領域的應用進一步深入, 通過數字圖像處理來指導生產, 發現生產中存在的問題的水平將近一步的提高, 同時隨着計算機硬件成本的降低和技術的發展, 數字圖像處理在汽車塗裝領域的應用將會持續增長。

參考文獻

[1]阮秋琦, 阮宇智.等數字圖像處理學[M]第三版.北京:電子工業出版社, 2011.6.

[2]學習Open CV (中文版) / (美) 布拉德司機 (Bradski.G.) , (美) 科勒 (Kaehler.A.) 着;於仕琪, 劉凱禎譯.北京:清華大學出版社, 2009.10.

[3]趙立興, 基於模糊算法的數字圖像處理技術研究[D].秦皇島;燕山大學, 2004, 22-39.

[4]Andrews, Hunt, B.R.[1997]tal Image Restoration, Prentice Hall, Englewood Cliffs, N.J.