基于机器视觉的空调钣金件表面缺陷在线检测系统设计与应用

刘玉华4414**********1994

摘要：随着空调制造业对产品质量要求的不断提高，钣金件表面缺陷检测成为生产过程中的关键环节。传统人工检测方法存在效率低、主观性强、漏检率高等问题，难以满足现代智能制造的需求。本文针对空调钣金件表面缺陷检测的实际需求，设计了一套基于机器视觉的在线检测系统。

关键词：机器视觉；空调钣金件；表面缺陷检测；在线检测；图像处理

一、引言

空调室外机及室内机的外壳、支架、散热翅片等关键部件均由钣金件构成，其表面质量直接影响到空调产品的美观性、耐腐蚀性和使用寿命。在生产过程中，钣金件表面可能出现划痕、凹坑、锈斑、压印、毛刺等多种缺陷。这些缺陷若未能及时发现并剔除，将导致成品不良率上升，增加返工成本，甚至引发客户投诉。

传统的钣金件表面缺陷检测主要依赖人工目视检查。然而，人工检测存在诸多固有局限：视觉疲劳导致漏检率波动较大、检测速度受限于操作人员的熟练程度、主观判断标准不统一、长时间工作后注意力难以持续集中。随着空调生产节拍的不断提高，人工检测已逐渐成为产线瓶颈。

二、系统总体设计

2.1 系统需求分析

空调钣金件表面缺陷在线检测系统需满足以下核心要求：首先，检测速度必须与生产线节拍相匹配，通常要求在每件2至3秒内完成整个检测过程；其次，检测精度需达到亚毫米级别，能够识别宽度0.2毫米以上的划痕及直径0.5毫米以上的凹坑缺陷；再次，系统应具备较高的稳定性和抗干扰能力，适应车间环境中的光照变化与振动干扰；最后，系统需提供缺陷分类与统计功能，便于质量追溯和生产工艺改进。

2.2 系统总体架构

本系统采用模块化设计思想，整体架构划分为图像采集层、图像处理层、检测分析层和人机交互层四个层次。图像采集层负责获取钣金件表面的原始图像；图像处理层对原始图像进行增强、去噪、分割等预处理操作；检测分析层运行缺陷识别算法，提取缺陷特征并做出判定；人机交互层提供参数配置、检测结果显示、报警与数据统计等功能。

系统通过网络通信协议将各模块集成于一体，支持与生产线控制系统互联，实现检测结果实时反馈及不合格品自动剔除。

2.3 硬件系统组成

硬件平台是系统稳定运行的基础。图像采集单元采用高分辨率工业面阵相机，搭配定焦工业镜头，以保证在固定工作距离下获得清晰的钣金件表面细节。光源系统选用高亮LED环形光源或条形光源，结合表面材质特性采用低角度暗场照明方案，以突出划痕、凹凸等深度信息，同时抑制金属表面的镜面反射干扰。图像采集卡完成模拟信号向数字图像的高速转换。此外，系统配置了光电传感器作为触发信号源，当钣金件随输送带运动至相机下方时，传感器发出触发脉冲，控制相机完成精确抓拍。

2.4 软件系统设计

软件系统基于Windows平台开发，采用模块化程序设计。图像处理模块集成了OpenCV等开源视觉库中的多种算法函数，用于图像增强、滤波、边缘检测及形态学操作。缺陷识别模块封装了特征提取与分类算法，能够将图像中分割出的候选区域判定为特定缺陷类型。人机交互界面采用图形化编程方式，实时显示相机画面、检测进度、缺陷标记及统计报表。软件系统还配置了参数调节接口，允许操作人员根据不同钣金件型号调整曝光时间、检测灵敏度和感兴趣区域范围。

三、检测流程与关键技术

3.1 检测流程设计

系统启动后首先进行相机与光源的初始化自检。生产线运行时，光电传感器检测到钣金件到达预定拍摄位置，触发相机采集当前帧图像。原始图像经以太网传输至工控机，软件随即执行预处理、图像分割、特征提取与缺陷分类等步骤。若检测出缺陷，系统在界面中标示缺陷位置与类型，同时向PLC输出不合格信号，由气动推杆或机械臂完成剔废动作；若检测合格，则记录数据并等待下一个工件触发。整个过程在程序设定的循环中自动进行，无须人工干预。

3.2 图像采集与预处理

钣金件表面具有高反光特性，采集到的原始图像往往存在光照不均、对比度偏低、随机噪声干扰等问题。图像预处理阶段依次进行灰度化转换、高斯滤波去噪和直方图均衡化处理。针对金属表面特有的反光干扰，采用同态滤波算法在频域中补偿光照分量，从而恢复低对比度区域的细节信息。对于输送过程中可能产生的轻微振动，通过图像配准与几何校正算法减轻运动模糊对检测精度的影响。

3.3 缺陷分割与特征提取

缺陷分割的任务是从背景图像中分离出疑似缺陷区域。考虑到钣金件表面纹理相对均匀但缺陷形态各异，本系统采用自适应阈值分割与动态背景差分相结合的策略。首先利用中值滤波构建背景模型，将原始图像与背景图像逐像素差分，增强缺陷与正常区域的灰度差异。然后运用最大类间方差法计算自适应分割阈值，将差分图像二值化，得到候选缺陷的连通域。

特征提取阶段提取候选区域的几何特征、灰度特征和纹理特征，包括面积、周长、长宽比、圆形度、灰度均值、灰度方差等参数。其中，长宽比较大且形态狭长的区域倾向于划痕缺陷；面积较小且灰度值明显偏低的倾向于凹坑；灰度偏高且轮廓不规则的倾向于锈斑。通过多特征融合，提高了缺陷分类的准确性。

3.4 缺陷识别与分类

缺陷识别采用基于规则的分类器与支持向量机相结合的方式。对于明显特征差异的缺陷，采用阈值规则快速分类；对于特征边界模糊的复杂情况，通过训练好的支持向量机模型进行判别。分类器输入为前述多维特征向量，输出结果为正常、划痕、凹坑、锈斑、压印等类别标签。系统还设置了置信度阈值，对置信度较低的检测结果转为人工复核模式，从而兼顾检测效率与可靠性。

四、系统应用与讨论

4.1 系统部署与运行

本系统已在某空调制造企业的钣金冲压生产线完成部署试运行。现场安装时需重点解决光源防尘、相机防震及环境温度控制等问题。系统采用封闭式检测暗箱结构，有效隔绝了车间环境光的干扰。实际运行表明，系统检测速度与生产线节拍匹配良好，误报率控制在可接受范围内，显著降低了人工检测的劳动强度。

4.2 优势与局限性分析

相较于人工目检，本系统具有明显优势。检测标准统一、可重复性好，不受人员状态和个体差异影响；检测速度快，能够适应高速生产线需求；数据可追溯，每一工件的检测图像和结果均可存档备查。

五、结语

本文针对空调钣金件表面缺陷检测的实际需求，设计了一套基于机器视觉的在线检测系统，详细阐述了系统的硬件组成、软件架构、检测流程及关键技术。该系统实现了钣金件表面划痕、凹坑、锈斑等常见缺陷的自动化识别与分类，具有非接触、速度快、稳定性高等特点，能够有效替代传统人工目检。实际应用表明，该系统提升了缺陷检测的一致性与可追溯性，降低了漏检率与人力成本。随着深度学习等人工智能技术的发展，机器视觉检测系统将向更智能、更精准的方向演进，为空调制造及其他钣金加工行业的质量控制提供强有力的技术支撑。

参考文献

[1] 张铮, 王艳平. 机器视觉技术及其应用. 北京: 电子工业出版社, 2018.

[2] 李刚, 刘铁根. 表面缺陷检测中的图像处理算法研究. 光学精密工程, 2019, 27(5): 1123-1131.

[3] 王志明, 陈俊. 基于机器视觉的金属表面缺陷检测系统设计. 制造业自动化, 2020, 42(8): 67-71.

[4] 刘洋, 孙晓明. 空调钣金件质量检测技术现状与发展趋势. 家电科技, 2021(3): 52-55.

...