MCF41A0110-5A3-4-00  

检测算法识别漆面缺陷的过程分以下 4步：图像采集、预处理、特征提取和分类决策。

图像采集是指通过检测系统获取到的车身不同部位漆面的图像信息。

预处理主要是指图像处理中的灰度化处理、图像滤波、裁剪分割、形态学处理操作，去除非必要检测区域，加强图像的重要特征，使缺陷特征更容易被提取出来。

特征提取是指采用某种度量法则，进行缺陷特征的抽取和选择，简单的理解就是将图像上的漆面缺陷与正常漆面，利用某种方法将它们区分开。

分类决策是指构建某种识别规则，通过此识别规则可以将对应的特征进行归类和判定，主要应用于漆面缺陷的分类， 以指导后续的打磨抛光操作。

目前，常用的漆面缺陷检测算法主要分为 2类：传统图像算法和深度学习算法。这2种算法的主要区别在于特征提取和分类决策的差异。

传统图像算法

传统图像算法中特征提取主要依赖人工设计的提取器，需要有专业知识及复杂的参数调整过程，分类决策也需要人工构建规则引擎，每个方法和规则都是针对具体应用的，泛化能力及鲁棒性较差。具体到缺陷检测的应用场景，需要先对缺陷在包括但不限于颜色、灰度、形状、长度等的一个或多个维度上进行量化规定， 再根据这些量化规定在图像上寻找符合条件的特征区域， 并进行标记。

深度学习算法

深度学习算法主要是数据驱动进行特征提取和分类决策，根据大量样本的学习能够得到深层的、数据集特定的特征表示，其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力更好，但检测结果受样本集的影响较大。深度学习通过大量的缺陷照片数据样本训练而得到缺陷判别的模型参数， 建立出一套缺陷判别模型， 最终目标是让机器能够像人一样具有分析学习能力，能够识别缺陷。

总体来讲，传统图像算法是人工认知驱动的方法，深度学习算法是数据驱动的方法。深度学习算法一直在不断拓展其应用的场景，但传统图像方法因其成熟、稳定特征仍具有应用价值。

应用案例

某主机厂应用了漆面缺陷检测系统，系统安装在 1 条面漆存储线上，可同时满足 2 条精修线车辆的漆面缺陷检测， 设计产能 40 JPH， 可检测的最大车身尺寸为 5 000 mm×2 000 mm×1 800 mm， 检测速度 6 m/min。

系统采用红色LED灯带作为光源，主检测站配备39个500万像素高清相机，尾门检测站配备 9 个500 万像素高清相机，每分钟可采集近5 万张的车身照片，通过光纤传输给图像处理计算机，采用传统2D图像算法进行缺陷识别。

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