一种基于图像识别的汽车零部件检测分析方法及系统与流程

本发明涉及汽车零部件检测，特别涉及一种基于图像识别的汽车零部件检测分析方法及系统。

背景技术：

1、随着汽车工业向智能化、高可靠性方向快速发展，汽车零部件的质量稳定性直接决定了整车的安全性能和使用寿命；作为保障零部件出厂质量的核心环节，自动化检测技术已逐步替代传统人工目视检测，成为行业主流应用方案。

2、目前行业内主流的基于图像识别的汽车零部件自动化检测方案，通常是在检测工位部署单台或多台工业相机采集零部件表面图像，经过去噪、增强、二值化等标准化预处理后，提取零部件的边缘轮廓、灰度分布等基础特征；将提取的特征与预先建立的标准缺陷模板进行比对，识别出裂纹、划痕、凹陷等可见宏观缺陷；最后根据缺陷的数量、面积和位置，按照预设的判定标准将零部件划分为合格、返工或报废三个等级；

3、这种检测模式本质上是一种静态快照式检测，只能捕捉零部件在检测时刻的宏观表面状态，无法深入量化缺陷内部的微观结构特征；但是由于汽车零部件在长期使用过程中会受到振动、温度变化、载荷冲击等复杂工况的作用，初始微小的微观缺陷会逐渐扩展并最终导致零部件失效，而现有技术无法评估缺陷的初始生长潜力，更无法预测其在全生命周期内的演化趋势和失效临界点，导致大量存在潜在失效隐患的零部件流入市场，给整车安全带来严重威胁；

4、此外，当检测发现批量缺陷时，质量管理人员收集缺陷样本，组织生产、工艺等部门人员进行人工分析，逐一排查加工温度、压力、刀具状态等可能的影响因素，凭借经验提出工艺调整方案；然后通过小批量试生产验证调整效果，若缺陷率未达标则重复上述过程，直至缺陷率降至合格范围。这种依赖人工经验的工艺追溯和优化模式，无法建立缺陷特征与生产工艺参数之间的定量映射关系，不只导致工艺问题定位周期长、优化效率低，而且检测数据与生产环节相互割裂，检测结果无法自动反馈至生产系统实现工艺的动态调整，无法从根源上持续提升产品质量，为此，我们提出一种基于图像识别的汽车零部件检测分析方法及系统。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于图像识别的汽车零部件检测分析方法及系统，解决现有技术存在的检测维度单一、无法预测失效、难以追溯工艺的技术问题。

3、（二）技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、一种基于图像识别的汽车零部件检测分析方法，该分析方法步骤如下：

6、采集汽车零部件的多视角图像并进行预处理，提取零部件的表面纹理、几何尺寸及边缘轮廓三类核心特征；

7、将三类核心特征与预设缺陷特征模板库进行多特征融合比对，获得包含缺陷位置、缺陷类型及缺陷覆盖面积的初步缺陷识别结果，再计算初步质量评估结果；

8、对识别出的缺陷区域进行多尺度分形特征提取，生成融合空间分形特征与时间分形特征的固定长度数字缺陷分形指纹；

9、基于缺陷分形指纹的分段信息熵计算分形演化熵值，量化缺陷微观结构的无序程度与初始生长潜力；

10、以生产批次为单位整合所有完成检测零部件的缺陷分形指纹、分形演化熵值及对应生产工艺参数，构建缺陷分形指纹与生产工艺参数的关联数据库；

11、通过聚类分析提取关联数据库中各类缺陷的共性分形特征模板，建立共性分形特征模板与生产工艺参数偏差之间的双向非线性映射关系；

12、结合分形演化熵值与双向非线性映射关系输出的生产工艺修正系数，预测缺陷在预设使用周期内的微观生长路径及失效临界点；

13、基于预设的位置安全等级映射关系确定缺陷所在位置的安全等级，依据缺陷失效临界点与缺陷所在位置的安全等级对初步质量评估结果进行动态修正，生成最终质量评估结论。

14、优选的，所述根据初步缺陷识别结果计算初步质量评估结果的步骤如下：

15、确定表面缺陷严重程度、尺寸偏差程度和轮廓完整性三个基础评估维度；分别计算每个基础评估维度的单项评分，其中，表面缺陷严重程度根据缺陷数量、单个缺陷面积和缺陷所在位置的基础重要性进行加权评分，尺寸偏差程度根据实际尺寸与标准尺寸的偏差大小进行评分，轮廓完整性根据轮廓偏移程度进行评分；

16、根据每个基础评估维度对零部件使用性能的影响程度确定权重系数，将三个维度的单项评分分别乘以对应权重系数后求和，得到初步质量评估结果。

17、优选的，所述缺陷分形指纹通过以下步骤生成：

18、以缺陷外接矩形的最小边长为基准，将缺陷区域划分为从单像素至完整缺陷区域的多级连续尺度正方形网格；统计各尺度下包含缺陷像素的网格数量，绘制缺陷的分形尺度-数量关系曲线；采用曲线拟合方法计算曲线在各尺度区间的局部斜率，得到对应数量的空间分形维度值；

19、在相同采集条件下对同一缺陷区域进行多次连续采集，计算相邻采集间对应尺度分形维度的变化量，获得时间分形特征值；将空间分形特征值与时间分形特征值分别量化为预设位数的数字编码后拼接，添加校验位形成唯一的缺陷分形指纹。

20、优选的，所述分形演化熵值采用如下步骤计算：

21、将固定长度的缺陷分形指纹划分为多个连续的等长子段，每个子段对应一个特定的分形尺度区间；分别计算各子段数字编码的信息熵值，得到各分形尺度区间的分形熵值；

22、按照微观尺度区间权重大于宏观尺度区间的原则分配预设权重系数，将各分形熵值乘以对应权重系数后求和，得到取值范围为0至1的总分形演化熵值；依据总分形演化熵值的大小，将缺陷划分为不同的生长等级。

23、优选的，所述双向非线性映射关系通过以下步骤建立：

24、采用聚类算法对关联数据库中的缺陷分形指纹进行聚类分析，设置符合检测需求的聚类参数；提取每个聚类簇中所有缺陷分形指纹的共性特征，形成该类缺陷的共性分形特征模板；收集各聚类簇对应的多项核心生产工艺参数记录；

25、通过人工神经网络分别训练从共性分形特征模板到生产工艺参数偏差的正向映射模型，以及从生产工艺参数偏差到共性分形特征模板的反向映射模型；使用历史生产数据对双向映射模型进行训练和验证，当模型预测准确率达到预设阈值后投入使用。

26、优选的，所述缺陷微观生长路径及失效临界点的预测过程如下：

27、构建基于分形理论的缺陷生长动力学模型，以分形演化熵值为输入输出缺陷的基础生长速率；将缺陷分形指纹输入正向映射模型，得到导致该缺陷产生的多项核心生产工艺参数的偏差值；结合各生产工艺参数偏差对缺陷生长的影响程度计算综合生产工艺修正系数；

28、将基础生长速率乘以综合生产工艺修正系数得到缺陷的实际生长速率；根据实际生长速率模拟缺陷在预设使用周期内的分形维度变化与缺陷面积扩展，生成缺陷的微观生长路径曲线；当模拟得到的分形演化熵值达到预设失效阈值时，对应的时间点即为该缺陷的失效临界点。

29、优选的，该分析方法还包括以下步骤：

30、将零部件唯一标识、缺陷分形指纹及最终质量评估结论写入电子身份标识，建立基于缺陷分形指纹的全生命周期质量追溯体系，其中，所述全生命周期质量追溯体系的建立方式为：

31、为每个汽车零部件分配唯一的身份标识，将零部件基本信息、生产信息、缺陷分形指纹、最终质量评估结果及预测失效时间按照预设格式编码后写入电子身份标识的存储区域；在零部件的运输、装配及使用保养环节通过读写设备读取电子身份标识信息，记录各环节状态并将零部件信息与整车信息进行绑定；当零部件在使用过程中出现故障时，提取故障零部件的缺陷分形指纹，与电子身份标识中存储的生产阶段缺陷分形指纹进行比对，当比对相似度达到预设阈值时，判定故障源于生产阶段产生的缺陷。

32、优选的，该分析方法还包括以下步骤：

33、基于关联数据库的分析结果定位批量缺陷对应的生产工艺参数偏差区间，生成针对性生产工艺调整方案并通过后续生产批次的缺陷分形指纹数据验证调整效果，其中，生产工艺调整方案的生成与验证过程为：

34、统计单批次内各类缺陷的出现频率，当某类缺陷的出现频率超过预设阈值时判定为批量缺陷；将该类批量缺陷的共性分形特征模板输入正向映射模型，得到对应的生产工艺参数预测偏差值；对比预测偏差值与标准生产工艺参数，确定存在偏差的具体生产工艺参数及偏差区间；结合生产工艺参数的偏差程度与对产品质量的影响程度，生成包含调整数值、调整步骤及验证标准的生产工艺调整方案；在后续多个连续生产批次中实施调整方案，当连续多个批次同类缺陷的平均分形演化熵值下降幅度达到预设标准时，确认生产工艺调整有效并固化为新的生产标准。

35、一种基于图像识别的汽车零部件检测分析系统，该分析系统包括：

36、特征提取模块，用于采集汽车零部件的多视角同步图像，并进行预处理，从中提取提取零部件的表面纹理、几何尺寸及边缘轮廓三类核心特征；

37、识别评估模块，用于将三类核心特征与预设缺陷特征模板库进行多特征融合比对，获得包含缺陷位置、缺陷类型及缺陷覆盖面积的初步缺陷识别结果，并计算初步质量评估结果；

38、缺陷分形指纹生成模块，用于对识别出的缺陷区域进行从像素级到缺陷整体的多级连续尺度分形特征提取，生成融合空间分形特征与时间分形特征的固定长度二进制缺陷分形指纹；

39、分形演化熵计算模块，用于基于缺陷分形指纹的分段信息熵计算分形演化熵值，量化缺陷微观结构的无序程度与初始生长潜力；

40、关联数据库构建模块，用于以生产批次为单位整合所有完成检测零部件的缺陷分形指纹、分形演化熵值及对应生产工艺参数，构建缺陷分形指纹与生产工艺参数的关联数据库；

41、双向映射建立模块，用于通过密度聚类分析提取关联数据库中各类缺陷的共性分形特征模板，建立共性分形特征模板与生产工艺参数偏差之间的双向非线性映射关系；

42、缺陷生长预测模块，用于结合分形演化熵值与双向非线性映射关系输出的生产工艺修正系数，预测缺陷在预设使用周期内的微观生长路径及失效临界点；

43、质量评估修正模块，用于基于预设的零部件关键位置安全等级映射表确定缺陷所在位置的安全等级，依据缺陷失效临界点与缺陷所在位置的安全等级对初步质量评估结果进行动态加权修正，生成最终质量评估结论；

44、全生命周期追溯模块，用于将零部件唯一标识、缺陷分形指纹及最终质量评估结论写入无源电子身份标签，建立基于缺陷分形指纹的全生命周期质量追溯体系；

45、工艺调整模块，用于基于关联数据库的分析结果定位批量缺陷对应的生产工艺参数偏差区间，生成针对性生产工艺调整方案并通过后续生产批次的缺陷分形指纹数据验证调整效果。

46、优选的，所述缺陷分形指纹生成模块包括：

47、多尺度网格划分单元，用于以缺陷外接矩形的最小边长为基准，将缺陷区域划分为从1×1像素至完整缺陷区域的多级连续尺度正方形网格；

48、分形曲线绘制单元，用于统计各尺度下包含至少一个缺陷像素的网格数量，绘制缺陷的分形尺度-数量双对数曲线；

49、空间分形计算单元，用于采用最小二乘法拟合曲线在各尺度区间的局部斜率，得到对应数量的空间分形维度值；

50、时间分形计算单元，用于在相同采集条件下对同一缺陷区域进行多次连续采集，计算相邻采集间对应尺度分形维度的绝对差值，获得时间分形特征值；

51、分形指纹编码单元，用于将空间分形特征值与时间分形特征值分别量化为预设位数的二进制编码后拼接，添加校验位形成唯一的缺陷分形指纹；

52、所述双向映射建立模块包括：

53、密度聚类分析单元，用于采用密度聚类算法对关联数据库中的缺陷分形指纹进行聚类分析，设置符合检测需求的聚类参数；

54、共性模板提取单元，用于提取每个聚类簇中所有缺陷分形指纹各位编码的众数，形成该类缺陷的共性分形特征模板；

55、生产工艺参数收集单元，用于收集各聚类簇对应的多项核心生产工艺参数记录，包括加工温度、加工压力、加工时间、刀具转速及冷却液流量；

56、双向模型训练单元，用于通过多层神经网络分别训练从共性分形特征模板到生产工艺参数偏差的正向映射模型，以及从生产工艺参数偏差到共性分形特征模板的反向映射模型；

57、模型验证单元，用于使用历史生产数据对双向映射模型进行训练和验证，当模型预测准确率达到预设阈值后投入使用。

58、（三）有益效果

59、1.通过对每个识别出的缺陷区域进行多尺度分形特征提取，生成融合空间与时间维度特征的缺陷分形指纹，并基于分形指纹的分段信息熵计算分形演化熵值，量化缺陷微观结构的无序程度与初始生长潜力，进而结合工艺修正系数预测缺陷在预设使用周期内的微观生长路径和失效临界点，提前识别出存在潜在失效风险的零部件，有效提升整车使用过程中的安全可靠性；并且，以生产批次为单位整合所有完成检测零部件的缺陷分形指纹、分形演化熵值及对应生产工艺参数，构建关联数据库并提取各类缺陷的共性分形特征模板，建立缺陷特征与生产工艺参数偏差之间的双向非线性映射关系，在出现批量缺陷时可自动定位具体的工艺偏差区间，生成针对性的生产工艺调整方案，并通过后续生产批次的缺陷分形指纹数据验证调整效果，形成完整的质量管控流程，实现产品质量的持续提升。

60、2.将零部件唯一标识、缺陷分形指纹及最终质量评估结论写入电子身份标识，在运输、装配及使用保养的各个环节均可通过读写设备获取相关信息，实现了零部件从生产制造到最终报废的全流程质量追踪，为产品故障分析、召回管理及回收利用提供了精准的依据；其次，采用多特征融合比对的方式进行初步缺陷识别，结合表面纹理、几何尺寸及边缘轮廓三类核心特征进行综合判断，并通过多视角图像的交叉验证排除拍摄光线、图像噪声等干扰因素的影响，减少误判和漏判情况的发生。