向浦江　周軍勇　程明輝　陳和榮

摘 要：新能源汽車零部件的發(fā)展存在對核心技術掌握不足與生產(chǎn)投入不高的問題，導致生產(chǎn)的零部件質量不佳，容易產(chǎn)生一定缺陷，為此，本文結合新能源汽車零部件發(fā)展現(xiàn)狀，研究零部件缺陷檢測方法。首先，分析新能源汽車零部件發(fā)展現(xiàn)狀，通過濾波處理去除零部件圖像噪聲，獲得平滑的汽車零部件圖像；其次，利用閾值分割法分離圖像中零部件部分與背景部分；然后，采用canny邊緣檢測方法提取零部件圖像邊緣特征；最后，利用形狀模板匹配法檢測并提取零部件的缺陷位置。在實驗論證中，將傳統(tǒng)檢測方法作為實驗對比，設計的方法展示出了很好的檢測效果，其對汽車零部件缺陷檢測的全類別準確率均達到了90%以上，遠遠高于傳統(tǒng)檢測方法。由此可以證明，設計的零部件缺陷檢測方法可行有效，能夠較準確地檢測出零部件的缺陷，該方法在實際應用中具有一定的實用性。

關鍵詞：新能源 汽車 零部件 發(fā)展現(xiàn)狀 檢測方法

1 引言

近年來，新能源汽車的發(fā)展速度日新月異，且隨著綠色出行的號召的逐漸落實，新能源汽車在不同種類的汽車制造產(chǎn)業(yè)中的占比也發(fā)生了翻天覆地的變化。同時，汽車零部件產(chǎn)業(yè)的規(guī)模也不斷擴大，汽車零部件相關企業(yè)也愈來愈多，汽車零部件作為汽車行業(yè)的前端產(chǎn)業(yè)鏈，其發(fā)展態(tài)勢直接影響到汽車行業(yè)的發(fā)展趨勢[1]。零部件產(chǎn)品，種類繁多，在飛速發(fā)展過程中，其問題也逐漸凸顯出來，例如在生產(chǎn)技術方面沒有創(chuàng)新，對核心技術的掌握不夠充分，對硬件水平的投入不足等，這些因素都制約了零部件行業(yè)的發(fā)展，因此，生產(chǎn)出的汽車零部件質量不佳，沒有保證，較多地出現(xiàn)零部件有缺陷的情況。

因此，本文結合新能源汽車零部件的發(fā)展現(xiàn)狀，基于零部件生產(chǎn)的實際問題，對零部件缺陷檢測方法進行了設計研究，通過對零部件的一系列處理，得到平滑且只包含零部件信息的灰度圖像，利用模板匹配方法實現(xiàn)了缺陷檢測并提取出了缺陷位置，采用實驗論證的方式，證明了本文設計的零部件缺陷檢測方法具有可行性與有效性，可以應用于汽車零部件缺陷檢測領域。

2 新能源汽車零部件發(fā)展現(xiàn)狀

為了提倡綠色出行，緩解由于汽車尾氣排放帶來的環(huán)境污染問題，新能源汽車行業(yè)順應時勢快速發(fā)展，而隨著新能源汽車的相繼問世，新能源汽車零部件的產(chǎn)業(yè)實力也在不斷提升。汽車零部件質量的高低直接影響到汽車性能的優(yōu)劣，只有基于質量過關的零部件，才能保證汽車能夠安全穩(wěn)定行駛。但是目前，新能源汽車零部件行業(yè)的發(fā)展存在著隱憂。本文將從汽車逐漸自動化這一趨勢入手，分析新能源汽車零部件這一新興行業(yè)的發(fā)展現(xiàn)狀。

逐步形成自身的創(chuàng)新體系，但無法全面掌控生產(chǎn)零部件的核心技術。汽車科技主要包括智能化、電動化和模塊化，而對汽車零部件的要求就要更高，不僅具有汽車科技的優(yōu)勢，還要向集成化、電控化、系統(tǒng)化以及輕量化發(fā)展，而這些功能都離不開核心技術的支持[2]。自從汽車科技革命以來，新能源汽車零部件行業(yè)的生產(chǎn)方式、營銷模式、產(chǎn)業(yè)形態(tài)都產(chǎn)生了很大的變化，各相關行業(yè)均逐漸形成了一套適合自身的創(chuàng)新體系，但在核心技術方面上，各行業(yè)在汽車零部件領域對關鍵技術掌控得還不夠充足。對零部件核心技術掌握不足，容易導致生產(chǎn)出的零部件具有表面有缺陷或者內部性能較差，也就不能供汽車使用。據(jù)公開資料表明，近年來，外資、合資等汽車零部件供應商在市場中的占有率一直久居不下，可見當前新能源汽車零部件在技術創(chuàng)新能力上的差距。

硬件水平投入不足。在2014年的國家級企業(yè)技術中心評定中，通過評定的關于新能源汽車零部件的企業(yè)少之又少，其中上市的汽車零部件企業(yè)在研發(fā)生產(chǎn)中投入的資金在主營業(yè)務收入中的占比僅為3.88%，研發(fā)資金投入占比超過5%的僅有17家，由此可以看出，新能源汽車零部件行業(yè)在硬件方面的投入水平比較低下，無法很好地匹配整車產(chǎn)能分布，導致產(chǎn)業(yè)布局形成的不夠完善，若不能保證零部件與整車產(chǎn)業(yè)規(guī)模之間的產(chǎn)值一致或遠超過整車產(chǎn)值，則就不能總體提升新能源汽車零部件行業(yè)的實力[3]。只有不斷加大硬件水平投入力度，提高研發(fā)設計能力，帶動系統(tǒng)其他技術的進步，依托整車未來發(fā)展趨勢，建立并不斷完善零部件研發(fā)與生產(chǎn)流程，持續(xù)輸出優(yōu)質新能源汽車零部件，掌握零部件材料開發(fā)與試制技術，向“專業(yè)化生產(chǎn)”的方向發(fā)展，追求質量，使得零部件的功能與性能與整車高度匹配、集成，同時在生產(chǎn)過程中，要對零部件的性能進行檢測，不斷優(yōu)化零部件的質量。

通過分析新能源汽車零部件的發(fā)展現(xiàn)狀，明確當前新能源汽車零部件在掌握生產(chǎn)核心技術和硬件水平投入等方面的不足，進而導致生產(chǎn)出的零部件質量不佳，容易出現(xiàn)缺陷等情況，結合以上實際問題，提出設計新能源汽車零部件缺陷檢測方法，為支撐零部件產(chǎn)業(yè)可持續(xù)發(fā)展提供可靠保障。

3 零部件缺陷檢測方法設計

本文利用零部件表面的缺陷特征和頻率特性，借助濾波器和相關算子算法，對零部件缺陷進行檢測。

首先通過專業(yè)設備獲取零部件圖像，經(jīng)過預處理零部件的彩色圖像，對圖像灰度化處理，其次對圖像中的噪聲進行濾除，從而得到較為平滑的圖像，基于上述操作，將圖像中零部件部分與背景部分分離，提取圖像邊緣，最終定位缺陷位置，進而實現(xiàn)對零部件缺陷的檢測。

3.1 濾除零部件圖像噪聲

對零部件缺陷檢測的重要前提是獲取零部件的圖像，本研究利用2592*1944的工業(yè)相機對車身零部件進行拍攝，從而獲取到完整的汽車零部件圖像，該相機具有較高的分辨率，可保證獲得的圖像擁有較強的解像度，其輸出的圖像是一個三色位圖，因此，為零部件表面面積較小的缺陷檢測提供了保障。

通過工業(yè)相機所得到的圖像往往包含了外界噪聲、信號干擾等多種對檢測工作無用的信息，所以，為了快速檢測出零部件表面的缺陷，精準定位缺陷位置，需要對零部件圖像進行噪聲濾除[4]。在進行圖像噪聲濾除操作之前，需要將圖像灰度化，以獲得滿意顏色信息的圖像。

圖像灰度化。利用相機獲取到的零部件圖像是一個三色位圖，即具有紅色、綠色和藍色三個顏色通道。由于本文利用的是高分辨率的工業(yè)相機獲取的零部件圖像，若分別處理三個通道的顏色信息，則工作量會很大，耗時耗力，因此，在此研究中將彩度信息與灰度信息進行交互變換，即將圖像原本具有的三個通道顏色信息轉換為只具有一個灰度信息的通道，以簡化圖像的顏色矩陣復雜度，提高運算速度。彩度信息與灰度信息轉換的公式如下：

Y=0.299R+0.587G+0.114B （1）

上式中，R，G，B分別表示紅色、綠色和藍色顏色通道，其前面的數(shù)值分別代表人眼對于這三種顏色的感知系數(shù)。通過彩度與灰度變換，可以得到一幅僅帶有亮度信息的灰度圖像，其中灰度分布的范圍為0～255。

根據(jù)上述轉換獲取到的灰度圖像，進行噪聲濾除操作。通常情況下，由于設備或外界干擾，圖像中會存在椒鹽噪聲和高斯噪聲。椒鹽噪聲的像素點在圖像中呈散亂狀分布，隨機出現(xiàn)在圖像中的像素點，而且所有噪點的幅度值都是相同的；高斯噪聲在圖像中的分布是有規(guī)律可循的，幾乎圖像中所有的像素點上都會出現(xiàn)，且其幅度值是隨機變化的，分布呈正態(tài)分布，即均值為0。本文中考慮到椒鹽噪聲和高斯噪聲的存在及變化特點，最終采用濾波效果優(yōu)異、對圖像信息破壞較小的中值濾波器進行圖像噪聲的濾除。取濾波器5*5像素模板，將該模板遍歷圖像，當模板每次覆蓋到圖像中5*5像素范圍時，將該范圍內全部像素點的平均值賦予到中心點，作為其新的像素值。其計算公式如下：

（2）

上式中，g（x，y）表示中值濾波輸出；（x，y）表示坐標為（x，y）位置處的像素點；M表示像素點區(qū)域；N表示M中像素點的數(shù)量；f（x，y）表示中值濾波輸入。

通過中值濾波器實現(xiàn)對圖像噪聲的濾除，在最大限度上濾除了圖像噪聲的同時，還保證了圖像信息的完整性，為接下來圖像背景分割提供了基礎。

3.2 圖像背景分割

通過上述轉換與計算，本文獲取到了已經(jīng)濾除噪聲的灰度圖像，對于該圖像，汽車零部件所包含的所有像素點是有用的信息，而對于圖像的背景部分，會對零部件的缺陷檢測造成干擾，因此，我們需要將圖像中零部件部分與背景部分進行分割，從而提取出零部件圖像，以便于后續(xù)提取圖像邊緣[5]?？紤]到對需要的零部件部分沒有較大損傷。因此，本文采用灰度閾值分割法將目標區(qū)域與背景分離。計算灰度閾值的公式如下：

（3）

上式中，R表示圖像的灰度閾值；Gx表示圖像x方向的灰度矩陣；Gy表示圖像y方向的灰度矩陣。

閾值R可以將圖像中的像素點劃分為兩類，即主要像素點和次要像素點，主要像素點就是零部件包含的像素點，也就是需要保留的部分。根據(jù)如下公式判斷像素點類別：

（4）

上式中，（x，y）表示零部件圖像中坐標為（x，y）的像素點；f（x，y）表示該像素點的灰度值，其取值范圍為[0，255]；R表示零部件圖像的灰度閾值。

根據(jù)上述公式可得，目標區(qū)域即所需要的零部件部分像素點的灰度值大于等于灰度閾值，背景部分像素點的灰度值小于灰度閾值。至此，可以準確地將零部件部分與背景部分分割開來，利于接下來對零部件圖像的邊緣提取操作。

3.3 零部件圖像邊緣提取

本文中采用canny邊緣檢測算子對零部件圖像的邊緣進行檢測提取。零部件圖像在經(jīng)過中值濾波除燥后，得到一幅較為平滑的灰度圖像，該算法通過計算圖像灰度值的峰值和延伸方向，根據(jù)角度在峰值區(qū)域將圖像像素點灰度值最大值進行局部抑制極大值，其中忽略掉邊緣方向，之后利用雙閾值計算檢測連接的邊緣，從而實現(xiàn)零部件圖像邊緣的提取。

首先利用高斯濾波分割圖像，然后運用一階有限差分計算圖像的偏導數(shù)陣列，計算公式如下：

（5）

上式中，Gx和Gy表示經(jīng)過分割后的圖像；f（x，y）表示原始圖像。

利用一階偏導有限差分計算得到的圖像梯度的峰值和延伸方向，沿延伸方向做一條邊緣細線，將位于該細線上的梯度點設為0。選取梯度強度最大的點T1和梯度強度最小的點T2作為處理邊緣基線的灰度值，將灰度值在T2以上的像素點劃為圖像的強邊緣，將灰度值在T1以下的點劃為圖像背景，灰度值在T1和T2中間的像素點看作圖像信息。

3.4 缺陷檢測

基于前文對圖像的預處理以及去噪、分割、提取等操作，要進行整個程序的最后一個步驟即缺陷的檢測。此前，我們獲得了只有零部件像素點的圖像信息，在此，本文利用形狀模板匹配的檢測方法檢測零部件的缺陷。

形狀匹配模板檢測零部件缺陷的原理是：根據(jù)獲取到的圖像，通過一系列處理得到只有零部件信息的灰度圖像，設置圖像的全部區(qū)域的輪廓形狀為模板，然后利用形狀匹配算法在待檢測圖像中搜尋輪廓形狀模板，若圖像與輪廓形狀模板匹配失敗，則該圖像為缺陷圖像，若圖像與輪廓形狀模板匹配成功，則圖像為正常圖像。

形狀匹配模板對汽車零部件的缺陷進行檢測的主要步驟如下：

首先，將處理后的圖像的部分區(qū)域為模板，提取圖像中的模板區(qū)域，其次，對圖像進行二級仿射變換，在此期間，要保證圖像沒有傾斜，之后利用gen_rectangle算子在圖像中生成一個面積較小的矩形框，利用reduce_domain算子把圖像中對應的目標區(qū)域提取出來，最終獲得需要的ROI區(qū)域；

其次，采用create_shape model算子創(chuàng)建零部件的形狀模板，為了防止零部件圖像發(fā)生水平或垂直方向上的位移的情況，同時采用帶有縮放功能的closing_circle算子對圖像邊緣進行閉運算保留邊界，并去除英語便于提取不精確而帶有的少量毛刺，利用create_scale_shape_model算子，加快模板匹配速度；

然后，使用find_shape model算子搜索待檢測圖像中的目標模板，并將匹配到的模板位置、方向、數(shù)量等參數(shù)輸出；

之后，為形狀模板設置合理的參數(shù)，包括匹配的貪婪度、梯度變化率以及導數(shù)峰值，以獲得最準確的匹配度。若匹配成功，則判定待檢測圖像沒有缺陷，若匹配失敗，則判定待檢測圖像為含有缺陷的零部件。

最后，利用算子計算待檢測圖像與模板的差異點，用動態(tài)開分操作將較小的差異點剔除，只保留數(shù)值較大的差異點，通過connection算子將各個差異點連接起來，圍成的不規(guī)則區(qū)域即為零部件缺陷區(qū)域。至此，完成對零部件缺陷的檢測及定位工作。

4 實驗論證

4.1 實驗準備

為驗證本文設計的零部件缺陷檢測方法的可行性與高效性，本次實驗中在實際汽車零部件生產(chǎn)線上共收集到40000張圖像原本數(shù)據(jù)，并利用工業(yè)相機對其進行圖像獲取，將所有圖像的分辨率統(tǒng)一設置為600*400，在以上40000張圖像中，有缺陷的零部件圖像有25000張，正常的零部件有15000張。

4.2 實驗說明

對于零部件缺陷檢測的檢測效果采用二分類問題中的評價準則，即全類別平均準確率，其計算方法是在模板匹配過程中利用插值法進行計算，計算公式如下：

（6）

其中，C表示圖像樣本總數(shù)；P表示準確率；pre表示精確率；r表示11個不同的閾值。

4.3 實驗結果

利用傳統(tǒng)檢測方法和本文設計的檢測方法分別對收集到的40000張圖像進行缺陷檢測，并計算兩種方法的全類別平均準確率。

由表1可知，在4次實驗中，本文設計的方法展示出了很好的檢測效果，其對汽車零部件缺陷檢測的全類別準確率均達到了90%以上，遠遠高于傳統(tǒng)檢測方法。由此可以證明，本文設計的零部件缺陷檢測方法可行有效，能夠較準確地檢測出零部件的缺陷，該方法在實際應用中具有一定的實用性。

5 結語

本文通過分析新能源汽車零部件的發(fā)展現(xiàn)狀，發(fā)現(xiàn)汽車零部件行業(yè)當前的發(fā)展中存在對核心技術掌握的不夠充分、在硬件水平方面投入不足等局限性，從而導致生產(chǎn)出的零部件具有一定的缺陷，質量不佳，因此，結合汽車零部件發(fā)展中面臨的實際問題，提出對零部件缺陷檢測的方法研究，利用中值濾波、邊緣檢測算子、灰度閾值分割以及模板匹配等技術，實現(xiàn)對零部件的缺陷檢測及定位，經(jīng)實驗論證表明，本文設計的零部件缺陷檢測方法具有較高的檢測準確度，該方法對相關零部件缺陷檢測工作具有一定的參考作用。

參考文獻：

[1]史佩京.中國汽車零部件再制造產(chǎn)業(yè)技術發(fā)展現(xiàn)狀及趨勢[J].表面工程與再制造，2021，21（6）：27-30.

[2]劉陽陽，王晨陽.汽車零部件再制造產(chǎn)業(yè)發(fā)展現(xiàn)狀及實施認證必要性[J].科技創(chuàng)新與應用，2021，11（26）：61-63.

[3]李玉玲.管窺“溫州模式”汽車零部件行業(yè)發(fā)展現(xiàn)狀[J].汽車與配件，2021（9）：58-61.

[4]周錫文.汽車零部件氣密性檢測技術國內發(fā)展現(xiàn)狀綜述[J].內燃機與配件，2021（6）：116-117.