干了十几年机器视觉这几年最深的感受是行业里真正难啃的骨头往往不是那些高精尖的半导体检测而是看起来很“传统”的汽车零部件装配。前阵子我们团队刚交付了一套铝镁合金装配产品的在线视觉检测设备用在汽车底盘轻量化零部件的产线上专门盯装配质量。这套东西不是什么实验室里的黑科技就是把打光、成像、算法、产线联动这些事一项项做扎实。今天把这个项目的完整思考和实操过程整理出来希望能给正在评估视觉检测方案、或者被现场漏检误检折磨的同行一些参考。这类项目的核心矛盾其实就一句话铝镁合金压铸件表面反光强、材质纹理乱加上装配工序节奏快靠人眼盯根本盯不住。螺栓有没有漏打、密封圈装没装到位、卡扣是不是歪了这些问题看起来不大但一旦漏到整车厂轻则退货索赔重则影响行车安全。所以这套设备解决的就是在节拍内稳定、准确、可追溯地把装配缺陷找出来而且要把误检率压到让现场工人愿意信任它、依赖它的程度。1. 项目背景与需求拆解为什么铝镁合金装配件是视觉检测的“硬骨头”1.1 铝镁合金材料本身的检测难点先说材料。铝镁合金这几年在汽车上的应用越来越多尤其是新能源汽车为了减重前后副车架、控制臂、转向节、电池包壳体这类结构件大量采用铝合金压铸或镁合金压铸成型。这玩意儿重量轻、强度好但给视觉检测带来了三个麻烦。第一个麻烦是表面反光。铝镁合金压铸件从模具里出来以后表面状态千差万别有的是亚光面有的是亮面还有的是抛光区域和喷砂区域混在一起。强光一打上去会产生大面积的高光斑块这些斑块会把底下的装配特征完全淹没。比如说你要检测一个螺栓是否漏装如果螺栓头正好处在一个反光区域里普通的成像方案拍出来的就是一片白别说算法判断了人眼都看不清。第二个麻烦是表面纹理太“脏”。压铸件表面天然带有模痕、流痕、轻微的拉伤和氧化色差这些在图像上表现出的灰度变化有时候比真正的缺陷还要明显。一套算法如果只是简单地设个灰度阈值很容易把这些伪缺陷当成真缺陷报出来结果就是误检率居高不下现场工人天天对着报警复位最后干脆把检测设备屏蔽掉。第三个麻烦是材料本身的一致性差。同一批产品不同模穴出来的表面状态可能不一样同一只产品放置角度稍微偏一点反光位置就全变了。这对检测稳定性提出了非常高的要求不能靠“碰运气”式的成像方案必须从光源和算法两个层面同时下手。1.2 装配工序的质量风险点再说装配。铝镁合金零部件的装配工序一般包括压装衬套、拧紧螺栓、装卡扣、插接密封圈或塑料件、涂胶等。从质量风险的角度看最需要视觉盯住的是几类问题缺件。比如某个位置该有螺栓结果漏装了。这是最严重也最常见的问题往往发生在操作工疲劳、换班或者中途打断后重新启动的节骨眼上。错装。比如长短螺栓混装或者不同规格的卡扣装错了位置。长短差异有时候只有几毫米人眼快速扫过根本看不出来。位置偏移。比如卡扣虽然装上了但没卡到位偏了或者翘起来了密封圈装歪了压偏了衬套压入深度不够。异物残留。比如铝屑、毛刺掉落在装配面上或者定位孔被堵住了。这类问题在压铸件后处理工序里特别常见。这些缺陷有个共同特点它们往往是“局部小特征”可能只占整个视野的1%都不到。这就意味着检测系统的分辨率、成像质量和算法定位能力都必须达到相当高的水平不是说买一台通用视觉检测设备随便一摆就能对付的。1.3 人工目检的真实困境很多工厂现在还在用人工目检但说句实在话人工目检在铝镁合金装配件上能发挥的作用非常有限。我见过太多这样的场景质检员坐在产线末端手里拿个强光手电对着流水线上一个接一个过去的产品快速扫一眼。一个产品留给质检员的时间往往只有十几秒甚至几秒在这种节拍下要让一个人同时记住十几个检测点还不出错太难了。而且人眼对于高反光表面的细小异常本来就敏感度低看久了花眼换个班次标准又不统一。我们做过初步统计在一条节拍为30秒一件的装配线上人工目检的漏检率通常在5%到15%之间这对于追求零缺陷交付的主机厂来说是不可接受的。所以说到底这套设备的本质是把“人眼经验”变成“相机算法数据”把质量判断从主观变成客观从离散变成连续从不可追溯变成每一步都有记录。2. 视觉检测方案的整体架构与硬件选型2.1 检测流程的前期梳理拿到这个项目时我们做的第一件事不是选相机而是把所有装配工位从头到尾走了一遍把每一个可能出错的环节列成一张检查清单。这个清单非常关键它是后面所有技术方案的地基。清单里每一项要写清楚缺陷是什么、出现在哪个面、大概的尺寸范围、允许的公差是多少、检测节拍要求多少。比如某转向节产品要求检测前副车架右前安装点的一个锥形垫圈是否装配到位垫圈的可见面积大约是12mm×8mm装配允许的偏斜量不能超过1mm节拍要求40秒内完成一个包含6个检测工位的完整检测循环。这些数字不量化清楚后面选相机、设计光源都是空的。我们把这个项目拆成了六个检测工位工位一检测顶面螺栓装配情况工位二检测侧面卡扣到位情况工位三检测底面密封圈装配工位四检测衬套压装深度工位五检测定位孔是否被异物遮挡工位六做字符和二维码的识别追溯。每个工位检测的点位、算法逻辑、判定标准都事先定义好现场调试时就不会手忙脚乱。2.2 相机与镜头的选型逻辑选相机这件事很多人第一反应是看分辨率觉得像素越高越好。但实际上对于在线检测系统分辨率够用即可追求过高像素会带来几个麻烦相机帧率下降、图像传输带宽压力大、算法处理时间变长、成本成倍上升。这里我给一个常用的计算逻辑。以其中一个检测工位为例产品在这个工位的视场范围大概是200mm×150mm需要稳定检出的最小特征是直径1mm的螺栓垫圈边缘缺失为了给算法留出足够的余量最小特征在图像上至少要占5个像素。那么单方向的像素数至少为200除以1再乘以5等于1000像素另一个方向是150除以1再乘以5等于750像素算下来至少需要1000×750约75万像素。但这是理论最小值实际还要考虑镜头畸变、图像边缘清晰度下降、产品定位误差等因素通常取3到5倍余量比较稳妥。所以我们在这个工位选了500万像素的面阵工业相机既保证精度又不会拖累节拍。镜头方面为了控制畸变选了远心镜头或者低畸变定焦镜头。远心镜头的好处是放大倍率恒定物体在景深范围内上下浮动图像大小基本不变这对于测量类检测特别重要。但远心镜头贵且体积大如果有的工位只需要做存在性判断不需要精确测量用普通的定焦工业镜头就够了性价比较高。这个取舍要结合具体检测项来定不要一上来就全部上远心。2.3 光源方案的层次化设计光源是整个系统里最容易被低估的一环也是我这些年调试中投入精力最多、回报最明显的地方。对于铝镁合金这种高反光材质光源打得不好再贵的相机也是白搭。我们采用了“分层打光”的思路不指望一种光源解决所有问题。对于需要检测表面字符、二维码和螺栓头部特征的区域用同轴光源光垂直打在物体表面再垂直反射回来能够很好地抑制表面纹理干扰把字符和边缘特征拍得干净利落。对于需要突出边缘轮廓、检测卡扣是否翘起或垫圈是否到位的区域用低角度环形光源光以很小的角度掠射在物体表面凹凸不平的地方就会形成强烈的明暗对比卡扣翘起来一个小角度都能看得清清楚楚。对于大面积的表面缺陷和异物检测用穹顶光源或者多角度条形光组合让光线均匀弥散减少高光点保证整个视野的亮度一致性。光源的亮度、角度、颜色通常用白色或红色、频闪方式都要在调试阶段反复试。铝镁合金工件的反光特性比较复杂同一个工件换个角度反光位置就变了所以光源固定后还要配合工件定位治具尽量减少产品在视野中的位置变化。3. 核心检测算法与判定逻辑的实现细节3.1 缺件检测模板匹配加区域灰度特征缺件检测是装配质量检测里最基础也最重要的算法。我们的做法是先建模板再在实时图像上做归一化相关性匹配定位出每个检测目标的位置然后在目标区域内计算灰度统计特征和模板进行比对。但有一个细节特别值得注意如果只做整体灰度比对对于螺栓漏装这种场景因为螺栓头区域在非反光条件下可能和背景灰度接近容易漏判。所以我们在此基础上增加了一个边缘密度特征的计算。具体来说就是提取检测区域内的强边缘像素数量螺栓头拧紧后会有清晰的六角轮廓边缘而漏装时这个区域是平面边缘密度会显著降低。通过灰度均值和边缘密度两个特征联合判断误判率能压到非常低。另外模板匹配这个环节要特别注意产品定位误差。虽然工位上有定位治具但在生产线上机械定位难免有松动产品每次摆进来的位置都会有零点几毫米的偏差。如果按照固定模板位置去做后续处理很容易出问题。我们的做法是先做全局配准利用产品的整体轮廓特征把图像的偏移和旋转校正过来再做局部检查。3.2 位置偏差检测亚像素边缘定位卡扣是否卡到位、密封圈是否装歪这类位置偏差检测比简单的缺件检测要难一个档次因为它不是“有和无”的问题而是“有没有偏、偏了多少”的问题。这里我们用的是边缘拟合加几何约束的方法。先把检测区域的边缘亚像素级提取出来然后拟合成直线或者圆弧再计算这些几何元素之间的相对位置关系和标准值做对比。亚像素算法可以将边缘定位精度提高到0.1像素甚至更高配合前面选型时的像素分辨率实际测量精度可以稳定在正负0.1mm以内完全满足汽车零部件装配的检测要求。但请注意亚像素算法对图像质量的要求也更高。如果边缘模糊或者有反光干扰造成边缘断裂拟合出来的几何元素就是错的测量结果自然不准。所以在这个环节光源的作用又凸显出来了。我们针对密封圈检测专门做了一个穹顶光源加分光棱镜的成像方案把密封圈的轮廓拍得清晰锐利边缘过渡只有两三个像素拟合就很稳定。3.3 异物与表面缺陷检测差异检测加动态阈值异物残留和表面缺陷的检测是整个项目里最难的一环。因为铝镁合金压铸件的表面天然就不均匀有流痕、氧化斑、亮暗交替这些和真正的异物、划伤在图像上很难区分。我们的策略不复杂但是很有效采用明暗场结合的双通道成像。明场成像突出表面整体的灰度分布暗场成像把表面的凸起、凹坑、附着物以高对比度的方式呈现出来。异物和划伤在暗场图像中会显得非常亮而普通流痕和纹理在暗场下亮度很低。这样通过一个简单的动态阈值就能把真缺陷和假纹理分开。动态阈值的计算方法是先在暗场图像上计算全图的灰度均值和标准差然后根据均值和标准差的组合动态确定判定阈值。这样做的好处是适应产品之间的个体差异不会出现一只产品过亮导致全部误报的情况。当然阈值的基准也需要定期校验如果原材料批次变化导致表面状态整体变化需要重新采集样本来标定。3.4 程序流程与逻辑框架整个检测程序的处理流程说起来脉络很清晰硬触发采集图像后先做预处理包括畸变校正、滤波去噪然后做全局配准把产品偏移旋转纠正回来接着在各ROI区域内跑对应的检测算法每个区域输出OK或NG结果汇总到工位控制器最后通过IO模块把结果发送给PLC由PLC控制踢料机构把NG品推出线体。这里要特别强调“硬触发”这个环节。在线检测系统不能用软件自动触发因为产线速度有波动软件触发很难保证每次都在相同位置拍照。我们全部采用硬件触发也就是编码器信号或者光电传感器信号直接接入相机触发接口确保无论是产线停在什么位置、速度快慢拍到的图像位置都是可重复的。这个细节如果没做好后面所有算法效果都会打折扣。4. 现场安装调试的实操过程与经验心得4.1 工位改造与相机安装固定现场安装是整个项目里最“接地气”的部分也是最容易出幺蛾子的地方。我们去了现场之后第一步不是装设备而是先看产线的振动情况。汽车零部件装配线普遍有气动工具、压装设备在运转地面振动不可避免。如果相机直接固定在产线机架上图像就会模糊再好的算法也没用。我们的处理方式是制作独立的检测支架支架底部加橡胶减振垫和产线主体结构完全分离。这个投入很小但效果立竿见影。另外相机支架本身要足够厚重不要用那种细细的铝型材调试好了之后因为颤振导致对焦漂移的事我见过太多次了。相机装好后焦距和光圈的调整也有讲究。先用对焦卡把焦点调到最清晰然后适当缩小光圈一点增加景深。为什么要留景深因为产品在治具上放置时高度方向难免有微小波动如果景深太浅稍微一波动图像就虚了。但光圈也不能缩得太小否则进光量不足需要把光源亮度调得很高又会引发反光问题。这个平衡需要在现场反复试最终找到一个“甜点位”。4.2 标定与参数配置的完整流程系统能稳定运行标定环节功不可没。我们现场做的标定包括三个方面。像素当量标定用标准标定板放在产品平面上通过软件提取标定板的圆点阵列计算出每个像素对应的实际物理尺寸。这一步如果不做后续测量结果没有物理意义。镜头畸变标定虽然选用了低畸变镜头但实际装配后多少会有一些畸变尤其是视野边缘。通过标定获得畸变系数在预处理阶段做畸变校正。位置标定把机械定位治具的坐标和图像的坐标对应起来保证ROI区域在每次检测时都圈在正确的物理位置上。参数配置方面每个检测项的阈值都需要用一组包含合格品和缺陷品的样本进行验证。我的习惯是每个缺陷类型至少准备200个样本其中一定包含接近临界状态的“灰区样本”用这些样本去测试算法阈值反复调整直到误检和漏检都达到要求为止。4.3 节拍与检测精度的平衡在线检测设备最怕的就是“拖节拍”。我们在设计阶段就明确了整个检测循环要在40秒内完成6个工位的所有检测算下来每个工位的采集加处理时间不能超过6秒。这个要求并不轻松。优化节拍主要从三个方向发力。一是缩小ROI区域不要让算法跑一整幅大图只处理关键的局部区域二是优化图像预处理流程把耗时的滤波操作控制在最小范围三是用多线程并行处理一个工位在采集下一张图的同时上一张图还在处理中。经过三轮优化整个检测循环控制在35秒左右留出了余量。但这里也要提醒一句节拍优化是有限度的不要为了赶节拍把算法搞得太激进。检测系统的第一要务是稳定性如果一个复杂的检测项需要更长的时间才能判准就该考虑增加一套相机形成并行采集而不是强行单相机提升帧率。5. 运行阶段常见问题与排查技巧5.1 误检率偏高的排查方向设备上线初期误检率高是最常见的问题。我们的经验是遇到误检先别急着调算法先看图像。把报警时刻的原始图像调出来逐张看找到共性。如果误检总是发生在某个区域大概率是光源在这个区域形成了固定反光。处理方式是调整光源角度或者在该区域加一个微小的挡光片把反光压下去。 如果误检不是固定的一会儿有一会儿没有那就要看环境光的干扰了尤其是厂房里天窗、叉车灯光、相邻工位的照明这些不可控的光源会在某个时刻恰好照进检测视野。对策是加遮光罩把检测区域和周围环境隔离开。 如果误检图像看起来和正常图像几乎一样那就要怀疑是不是算法本身的特征选择不够鲁棒需要重新提取更稳定的特征。5.2 漏检问题的系统排查漏检比误检更可怕因为误检最多是浪费产能漏检是直接放走不良品。漏检排查的思路和误检类似也是先看图像。漏检往往是缺陷特征在特定角度、特定光照下消失导致的。我遇到过最典型的案例是密封圈压装偏移检测漏判。后来查了发现产品在某个角度摆放时密封圈的偏斜方向正好与光照方向平行阴影被压缩到几乎不可见。解决方案是在原来光源的对面加了一路补充光源让两个方向的光线交叉照射这样无论密封圈往哪个方向偏斜都会产生明显的阴影投影。另外一个常见的漏检原因是产品表面油污或脱模剂残留。油污会把缺陷区域糊住导致特征不明显。这个不能在视觉系统里硬扛要和工艺部门协调在检测工位前增加一道吹气清洁或者擦拭工序。5.3 长期稳定性的维护要点视觉检测设备上线后不是一劳永逸的长期运行的稳定性关键是预防性维护。我总结了几个检查项光源亮度会随着使用时间衰减建议每月用标准参考板测一次亮度并记录当亮度衰减超过初始值的20%时要考虑更换光源镜头表面和光源罩板容易积灰必须定期清洁否则图像上会出现固定的灰尘斑点导致误报相机散热和电源稳定性也要盯住工业现场电压波动大建议给检测系统配稳压器。还有一个容易被忽视的点产品工艺变化会给检测系统带来新的压力。比如模具修模、材料供应商更换、表面处理工艺调整都可能导致原本正常的检测参数突然失效。工厂内部应该有这样一个流程当工艺发生变更时通知视觉检测负责人做一轮样本复验及时调整参数。设备的最终目标是让产线质量受控且可追溯。我们在项目中给每件产品建立了唯一的二维码标识检测结果实时上传MES系统一旦某个批次出现批量NG系统可以直接追溯到具体某个工位、某个时段甚至操作人员。这种数据和流程的闭环才是在线检测设备真正产生价值的地方。我个人的体会是视觉检测这类项目从来不是买一套设备装上就能见效的需要现场工程师有足够的耐心去打磨细节。光源角度偏几度、支架固定方式差一点、阈值留的余量少了结果可能就是天壤之别。希望这篇文章里记录的这些实战细节能给准备在这个方向投入精力的同行一些实实在在的参考。
