摘要：数字图像处理在汽车涂装领域的应用, 本文介绍了数字图像处理基础和数字图像处理在自动车型识别, 易磨损部位检测和预警以及车身表面质量检测的应用。
关键词：汽车涂装; 数字图像处理;
1 引言
汽车行业本就是自动化程度较高的产业, 但是目前的工业4.0和日益上涨的人力成本给汽车企业提出了更高的要求, 数字图像处理在快速、高效的完成汽车涂装生产和涂装生产过程中的缺陷检测方面有显着优势。另外为实现高节奏的生产过程中, 高速运转的设备故障预警, 数字图像处理也提供了可行的解决方案。
2 数字图像处理基础
提到数字图像处理, 首先要明确什么是数字图像。一幅图像可以定义为一个二维函数 (x, y) , 其中x和y是空间 (平面) 坐标, 而任何一对空间坐标 (x, y) 处的幅值f称为图像在该点的强度或灰度。当X, Y和灰度值f是有限的离散数值时, 我们称该图像为数字图像。有了数字图像, 我们可以对数字图像进行处理, 对数字图像处理可以分为初级处理、中级处理、高级处理三种方式, 初级处理就是对图像进行简单的处理, 例如我们平时用的ps和相机美颜功能, 都可以理解为对数字图像进行了初级处理, 这种处理输入的是图像 (原图) , 输出是处理过的图像 (例如PS过的图像) 。中级处理, 在初级处理的基础上, 输入的是图像, 输出的则是从图像处理中得到的信息, 例如小区停车场的摄像头, 拍摄车牌号的图像, 在图像中提取出车牌号信息, 与数据库中的信息进行比对, 从而实现身份进入、停车计时等功能。最后, 高级处理就涉及到计算机自主学习的功能, 例如对车身表面喷涂质量的检测, 就属于对数字图像的高级处理。详细应用将在下文阐述。
3 数字图像处理在汽车涂装领域的应用
3.1 自动车型的识别
在汽车涂装工艺中, 针对不同的车型, 设备需要设定不同的工艺参数, 例如前处理自动加药的加药量, 电泳的电压, 喷涂机器人的轨迹等等。针对这一应用, 目前汽车厂大部分使用光电开关, 针对不同车型的特征点进行检测, 这种方式的有点在于成本低, 一般一到两个光电开关就可以检测2-3种车型, 但是这种检测方式的缺点在于它检测的车型必须有明显的特征点或者尺寸差别, 这样才能完成车型的识别。而针对尺寸差别不大或者没有明显特征点的车型, 光电开关就无能为力了。这时就该数字图像处理出马了。我们在固定位置拍照, 我们把目标也就是车身标为1, 把背景标为0, 我们设定每个车型的1和0边界, 通过计算机内部算法对图像进行边界判定, 这样就可以根据1和0的边界样式识别出是哪种车型。以上的方法是界定边界法。或者, 我们可以使用另一种方法——骨架法。骨架法是界定边界法的简化形式, 我们在边界选取一些特征点, 然后把特征点按一定顺序连接起来, 这样构成的图形, 就是这个图形的边界骨架, 只要选取的骨架点能反应出不同的车型, 这种方法的计算量会小很多, 适合运算资源不够的情况。选取的点的数量不同, 识别的精度也不相同。
3.2 易磨损部位的检测及预警
汽车工厂里面的设备需要长时间高负荷运行, 有些易磨损部位的检测就成了难题, 我们无法经常性的停机检查, 那样会严重影响生产, 另外我们也很不容易凭借肉眼来观察出细微的磨损, 因此在线实时检测易磨损部位的磨损情况就显得十分重要。
首先一般我们需要观察的易磨损部位周边情况都比较复杂, 或者光线条件不好, 无法得到十分清晰的照片, 这样就需要我们先对数字图像进行一定程度的变换。首先要对图像进行最简单的灰度变换, 例如我们可以把过亮的图像通过把整个图像灰度变小实现图像的变暗, 或者把过暗的图像的整个灰度变大实现图像的变量, 或者通过函数, 把在一个很大范围灰度的图像的大范围灰度映射到一个比较小的灰度范围, 这样可以在图像中凸显出目标物体。另外常用的变换还有对数变换、伽马变换、分段线性变换、平滑空间滤波变换、锐化空间滤波变换、混合空间变换等, 这些变换都是对图像的灰度进行针对性的处理, 以达到预期的效果。
我们对灰度变换后的图像, 获取他的边界, 与正常无磨损的部件边界进行对比, 实时进行检测。这样我们还可以根据磨损的程度, 设定一个预警机制, 可以根据磨损速度, 预测该易磨损件的寿命, 制定维修计划。在达到预测的寿命时可以直接更换该易损件, 或者增加关注度, 实时观测磨损程度, 在磨损程度达到临界值时再进行更换, 这样可以大大节约成本。
3.3 车身表面质量检测
质量是产品的生命, 对于汽车产品来说, 好的涂装表面是车质量最直接最外在的体现, 所以, 每个汽车厂都对汽车车身表面质量检测十分严格, 目前大部分汽车厂都采用人工检测, 通过在线人员的眼看、手摸来发现汽车车身表面存在的质量问题。但是首先这种传统的方式对在线的工人要求很高, 工人必须有丰富的经验才能应对形形色色的车身质量问题, 培养一个经验丰富的工人需要很长的时间, 由经验不丰富的工人进行检查可能造成错检。其次, 工人很难在高负荷的连续生产下保持长时间的专注度, 往往可能在连续工作一段时间后由于注意力下降, 可能造成漏检。另外, 这种检测往往很难形成统一的技术规范、技术标准, 例如工人觉得车身车门有色差, 这就是一个完全主观的判断, 没有任何数据做支撑, 每个人对色彩的敏感程度不同就会做出不同的判断。针对这些问题, 在车身表面质量检测过程中引入数字图像处理技术的优势明显。首先, 机器通过学习后学习的经验完全可复制到其他的机器中, 这样就解决的经验丰富的问题, 机器可以通过不断的学习, 不断的完善自己的知识库, 同时把这些经验实时共享给其他的机器。其次, 机器是不知疲倦的, 也不会出现注意力不集中的问题, 无论工作多久都会保质保量的完成工作。最后, 通过数字图像处理, 完全可实现不同质量缺陷的标准化, 例如计算机通过对图片的数字化处理, 完全把车身的颜色数字化, 颜色在什么范围认为是没有问题的, 超出范围就认为有色差, 这样所有的车身都是一个标准, 避免了主观意识对质量的影响。
为了实现车身表面质量的检测, 首先要对车身表面的照片进行处理。这些处理包括:图像降噪处理、图像色彩分层、图像的点线边缘检测。处理过的图像我们还需要对图像进行压缩, 因为图像中包含了很多我们不需要的信息, 而计算机的存储和运算速度有限, 我们要把资源用在刀刃上, 所以对数字图像进行压缩也是必须的。最后我们需要对图像进行频率域变换, 这是数字处理的重中之重, 数字计算和快速傅里叶变换算法 (FFT) 是人们对数字图像处理的关键技术。之后我们需要对数字图像进行全局阈值处理, 这种处理的目的在于突出我们的目标区域, 而使其他的“背景”完全“消失”, 这样我们可以更清楚的实现对图像的处理。
在我们收集了足够多的处理过的数字图像后, 我们可以开始进行机器学习了, 我们设定不同的分类器, 每个分类器对应一种缺陷, 然后我们把收集的数字图像随机分为三个集合:训练集、验证集、测试集。然后我们用训练集训练一个分类器, 然后再用验证集和测试集来测试分类器的准确性。在训练过程中, 可能会出现欠拟合或者过拟合, 欠拟合就是模型拟定的太严谨, 不符合现实情况。过拟合就是算法不但学习了数据, 还把噪声学习了这样的算法无法推广。我们需要寻找到一个平衡点, 既能完成对缺陷的处理又能保证正常合格车身的通过率。
4 结语
数字图像处理技术在汽车涂装自动化领域的运用, 必将对改善车身质量, 降低人力成本起到积极作用。并且, 随着数字图像处理技术的进一步发展, 和数字处理算法的进一步优化, 数字图像处理将更快更准确的寻找和发现汽车涂装表面缺陷。随着数字图像处理在汽车涂装领域的应用进一步深入, 通过数字图像处理来指导生产, 发现生产中存在的问题的水平将近一步的提高, 同时随着计算机硬件成本的降低和技术的发展, 数字图像处理在汽车涂装领域的应用将会持续增长。
参考文献
[1]阮秋琦, 阮宇智.等数字图像处理学[M]第三版.北京:电子工业出版社, 2011.6.
[2]学习Open CV (中文版) / (美) 布拉德司机 (Bradski.G.) , (美) 科勒 (Kaehler.A.) 着;于仕琪, 刘凯祯译.北京:清华大学出版社, 2009.10.
[3]赵立兴, 基于模糊算法的数字图像处理技术研究[D].秦皇岛;燕山大学, 2004, 22-39.
[4]Andrews, H.C.and Hunt, B.R.[1997].Digital Image Restoration, Prentice Hall, Englewood Cliffs, N.J.
