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(tǒng)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(tài)學處理操作，去除非必要檢測區(qū)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(qū)分開。
分類決策是指構建某種識別規(guī)則，通過此識別規(guī)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(xù)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(tǒng)圖像算法和深度學習算法。這2種算法的主要區(qū)別在于特征提取和分類決策的差異。
傳統(tǒng)圖像算法
傳統(tǒng)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(yè)知識及復雜的參數(shù)調整過程，分類決策也需要人工構建規(guī)則引擎，每個方法和規(guī)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(guī)定， 再根據這些量化規(guī)定在圖像上尋找符合條件的特征區(qū)域， 并進行標記。
深度學習算法
深度學習算法主要是數(shù)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(shù)據集特定的特征表示，其對數(shù)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(shù)據樣本訓練而得到缺陷判別的模型參數(shù)， 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(tǒng)圖像算法是人工認知驅動的方法，深度學習算法是數(shù)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(tǒng)圖像方法因其成熟、穩(wěn)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(tǒng)，系統(tǒng)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(tǒng)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(tǒng)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