一种车辆的上弯梁支架异常检测方法及系统与流程

摘要: 本发明属于车辆检测,尤其涉及一种车辆的上弯梁支架异常检测方法及系统。背景技术:1、车辆的上弯梁支架作为前大梁总成的关键承载部件,其结构尺寸精度和装配适配性直接影...
一种车辆的上弯梁支架异常检测方法及系统与流程

本发明属于车辆检测,尤其涉及一种车辆的上弯梁支架异常检测方法及系统。

背景技术:

1、车辆的上弯梁支架作为前大梁总成的关键承载部件,其结构尺寸精度和装配适配性直接影响车身强度、底盘连接可靠性及整车安全性能。随着汽车制造业向多车型混线生产模式快速发展,同一生产线需在不同时段交替生产轿车、运动型多功能汽车、卡车等不同车型,导致上弯梁支架在轮廓尺寸、孔位分布、焊接点位置及造型轮廓等方面产生显著的结构差异。因此,在车辆生产过程中对上弯梁支架进行异常检测,成为车辆生产制造的关键环节。

2、目前,上弯梁支架的异常检测方案主要有物理标识识别、数字化标识识别和结构特征识别三类方案。物理标识识别通过模具冲刻字符、喷涂油墨标记或铆接金属铭牌等方式在上弯梁支架表面制作物理标记,通过识别物理标识实现异常检测,但该类方案在面对不同车辆型号时需要更改磨具,并且物理标识易磨损脱落且信息容量极为有限,导致异常检测效率低下且准确较低。数字化标识识别采用激光打标二维码或射频识别标签的方式实现异常检测,但是在车辆实际生产过程中射频信号易受屏蔽,而且通常对二维码或者射频识别标签进行全量扫描,导致需要多次进行射频识别,异常检测效率低下且准确较低。而结构特征识别则是拍摄支架图像,通过支架图像识别上弯梁支架的车型,再将车型与当前应当生产的车型比对实现异常检测,但是由于目前的车型较多,不同车型的上弯梁支架可能较为类似,导致仅车型判断的异常检测不够准确。

技术实现思路

1、本发明旨在提供一种车辆的上弯梁支架异常检测方法及系统,以解决上述技术问题,提高了上弯梁支架异常检测的准确性和效率。

2、为了解决上述技术问题,本发明实施例提供了一种车辆的上弯梁支架异常检测方法,包括:

3、采集当前生产车辆的上弯梁支架的支架图像和简易码图像,并获取当前理论生产车辆的上弯梁支架标准特征库;

4、对所述支架图像进行特征提取,得到所述上弯梁支架的轮廓尺寸特征、孔位分布特征和焊接点位置特征;

5、基于所述上弯梁支架标准特征库对所述轮廓尺寸特征、孔位分布特征和焊接点位置特征进行特征比对,确定所述上弯梁支架的轮廓尺寸比对数据、孔位分布比对数据和焊接点位置比对数据;

6、基于所述上弯梁支架的轮廓尺寸比对数据、孔位分布比对数据和焊接点位置比对数据确定所述上弯梁支架的装配适应度;

7、从所述简易码图像中提取所述上弯梁支架的简易码边缘轮廓,并对所述简易码边缘轮廓进行数据校验,得到所述上弯梁支架的数据校验结果;

8、基于所述装配适应度和数据校验结果对所述上弯梁支架进行异常检测,得到所述上弯梁支架的异常检测结果。

9、可以理解的是,相较于现有技术,本发明通过采集当前生产车辆的上弯梁支架的支架图像和简易码图像,并获取当前理论生产车辆的上弯梁支架标准特征库;在此基础上,通过提取轮廓尺寸特征、孔位分布特征和焊接点位置特征这三类直接影响上弯梁支架与前大梁总成装配适配性的核心结构参数,并与当前理论生产车辆的上弯梁支架标准特征库进行比对,将异常检测从传统的车型判断转换为装配可行性量化验证,生成多维度量化且更加准确的装配适应度,能够准确的衡量当前生产车辆的上弯梁支架与当前理论生产车辆之间的匹配程度;同时,通过从简易码图像中提取简易码边缘轮廓并进行数据校验,以简易码边缘轮廓的方式,避免了现有技术中进行全信息解码的复杂流程;最后,以装配适应度判定与数据校验结果进行联合异常检测,使得异常检测结果能够同时涵盖物理适配性维度和数据可靠性维度,避免了单一维度误判或漏判的风险,从而在确保检测准确性的前提下,通过简易码的快速校验机制维持了生产线的高效节拍,提高了异常检测的准确性与效率。

10、作为优选方案,所述对所述支架图像进行特征提取,得到所述上弯梁支架的轮廓尺寸特征、孔位分布特征和焊接点位置特征,包括:

11、对所述支架图像依次进行高斯滤波处理、方图均衡化增强处理和自适应阈值二值化处理,得到所述上弯梁支架的二值化图像;

12、基于预设边缘检测算法从所述二值化图像中提取所述上弯梁支架的支架轮廓,并确定所述支架轮廓的实际长度、实际宽度和实际弧度;

13、基于所述支架轮廓的实际长度、实际宽度和实际弧度确定所述上弯梁支架的轮廓尺寸特征;

14、基于预设霍夫圆变换算法对所述二值化图像中的像素点进行遍历,得到同时满足预设圆方程和预设孔位尺寸范围的若干圆孔,并确定每个所述圆孔的实际直径和实际圆心坐标;

15、基于所有所述圆孔的实际直径和实际圆心坐标确定所述上弯梁支架的孔位分布特征;

16、基于预设尺度不变特征变换算法对所述二值化图像进行像素点筛选,得到所述上弯梁支架的若干焊接点和每个所述焊接点的实际焊接点坐标;

17、基于所述焊接点坐标确定所述上弯梁支架的焊接点位置特征。

18、上述方案中,通过对支架图像依次进行高斯滤波处理、直方图均衡化增强处理和自适应阈值二值化处理,有效消除了车间环境中油污、粉尘和光照不均等干扰因素对图像质量的影响,使得二值化图像中的孔位边缘、轮廓边界和焊接点区域呈现出清晰可辨的特征形态,为后续高精度特征提取提供了可靠的图像数据基础;在此基础上,利用预设边缘检测算法提取支架轮廓并确定实际长度、实际宽度和实际弧度,能够完整还原上弯梁支架的整体外形尺寸状态;利用霍夫圆变换算法对二值化图像中的像素点进行遍历,筛选出满足圆方程和孔位尺寸范围的圆孔并确定其半径和圆心坐标,能够在存在多个相似圆形结构的复杂背景中精准锁定装配孔位;利用尺度不变特征变换算法对二值化图像进行像素点筛选以定位焊接点坐标,能够在支架姿态存在微小偏差或局部遮挡的情况下稳定提取焊接点位;由此能够捕获上弯梁支架在宏观外形、中观孔位和微观焊接点三个不同尺度层次上的结构特征,有效避免了因单一特征相似而导致的误判,使得后续的特征比对和装配适应度计算建立在多维度、高精度的特征数据基础之上,从而显著提升了异常检测的准确性和可靠性。

19、作为优选方案,所述上弯梁支架标准特征库包括:标准轮廓尺寸特征、每个所述圆孔的标准圆心坐标、每个所述圆孔的标准直径和每个所述焊接点的标准焊接点坐标;所述基于所述上弯梁支架标准特征库对所述轮廓尺寸特征、孔位分布特征和焊接点位置特征进行特征比对,确定所述上弯梁支架的轮廓尺寸比对数据、孔位分布比对数据和焊接点位置比对数据,包括:

20、将所述轮廓尺寸特征与所述标准轮廓尺寸特征进行偏差率计算,确定所述上弯梁支架的长度偏差率、宽度偏差率和弧度偏差率;

21、基于所述长度偏差率、宽度偏差率和弧度偏差率形成所述上弯梁支架的轮廓尺寸比对数据;

22、将每个所述圆孔的标准圆心坐标与实际圆心坐标进行欧式距离计算,得到每个所述圆孔的孔心偏差距离;对每个所述圆孔的实际直径与标准直径进行偏差率计算,得到每个所述圆孔的直径偏差率;

23、基于每个所述圆孔的孔心偏差距离和直径偏差值确定所述上弯梁支架的孔位分布比对数据;

24、将每个所述焊接点的标准焊接点坐标与实际焊接点坐标进行欧氏距离计算,得到每个所述焊接点的焊接中心偏差距离;

25、基于所有所述焊接中心偏差距离确定所述上弯梁支架的焊接点位置比对数据。

26、上述方案中,通过将轮廓尺寸特征、孔位分布特征和焊接点位置特征分别与标准特征库中的对应标准数据进行多维度的量化比对,其中,在轮廓尺寸维度上,通过偏差率计算得到长度偏差率、宽度偏差率和弧度偏差率,将整体外形尺寸的偏差程度以相对比例的形式精确量化;在孔位分布维度上,采用欧氏距离计算每个圆孔的孔心偏差距离并结合直径偏差值进行综合评定,既关注孔位在支架平面上的位置偏移,又兼顾孔径加工误差,从而全面反映孔位与前大梁装配接口的匹配精度;在焊接点位置维度上,通过欧氏距离计算各焊接点的中心偏差距离,能够准确评估焊接点位与底盘连接要求的吻合程度,由此能够确保后续装配适应度的计算建立在全面且精确的偏差数据基础之上,有效避免了因特征遗漏或比对粗糙导致的漏检和误检,从而提高了异常检测的准确性和全面性。

27、作为优选方案,所述基于所述上弯梁支架的轮廓尺寸比对数据、孔位分布比对数据和焊接点位置比对数据确定所述上弯梁支架的装配适应度,包括:

28、基于预设轮廓尺寸误差范围对所述长度偏差率、宽度偏差率和弧度偏差率进行匹配,得到轮廓尺寸误差匹配结果;

29、基于所述轮廓尺寸误差匹配结果对预设轮廓尺寸匹配基准分数进行修正,确定所述上弯梁支架的轮廓尺寸匹配得分;

30、基于预设孔位匹配阈值和预设圆孔直径阈值,分别对每个所述圆孔的孔心偏差距离和直径偏差值进行匹配,得到孔心匹配结果和圆孔直径匹配结果;

31、基于所述孔心匹配结果、圆孔直径匹配结果和预设孔位分布匹配基准分数确定所述上弯梁支架的孔位分布匹配得分;

32、基于预设焊接点匹配阈值对所述焊接中心偏差距离进行匹配,得到焊接点匹配结果;

33、基于所述焊接点匹配结果和预设焊接点位置匹配基准分数确定所述上弯梁支架的焊接点位置匹配得分;

34、对所述上弯梁支架的轮廓尺寸匹配得分、孔位分布匹配得分和焊接点位置匹配得分进行加权求和,得到所述上弯梁支架的装配适应度。

35、上述方案中,通过分别对长度偏差率、宽度偏差率和弧度偏差率进行匹配以确定轮廓尺寸匹配得分,对每个圆孔的孔心偏差距离和直径偏差值分别进行匹配以确定孔位分布匹配得分,对各焊接点的中心偏差距离进行匹配以确定焊接点位置匹配得分,实现了对三类特征匹配结果的独立、量化评定;在此基础之上,对三类匹配得分进行加权求和,得到综合反映支架整体装配适配程度的装配适应度,从而使最终计算得到的装配适应度更加贴合实际装配工艺的客观要求,相较于传统方案中仅凭单一特征或等权重综合进行判定的方式,提升了异常检测结果与装配实际可行性之间的一致性,避免了因低影响特征的微小偏差过度放大或高影响特征的显著偏差被低估所导致的误判,有效提高了异常检测的准确性。

36、作为优选方案,所述从所述简易码图像中提取所述上弯梁支架的简易码边缘轮廓,并对所述简易码边缘轮廓进行数据校验,得到所述上弯梁支架的数据校验结果,包括:

37、获取所述简易码图像的平均灰度值,基于所述平均灰度值对预设灰度增益基准系数进行调整,确定所述简易码图像的灰度增益系数;

38、基于所述灰度增益系数和预设灰度偏移量对所述简易码图像中每个像素点的灰度值进行增益运算,得到所述上弯梁支架的简易码标识图像;

39、对所述简易码标识图像进行边缘轮廓检测,得到所述上弯梁支架的简易码边缘轮廓;

40、对所述上弯梁支架的简易码边缘轮廓进行码值解析,得到所述上弯梁支架的数字编码和简易码;

41、对所述数字编码进行校验码验证,得到所述上弯梁支架的检验码,并将所述检验码与所述数字编码进行比对,得到所述上弯梁支架的数字编码校验结果;

42、根据预设简化码校验算法对所述简易码进行校验,得到所述上弯梁支架的简易码校验结果;

43、基于所述上弯梁支架的数字编码校验结果和简易码校验结果确定所述上弯梁支架的数据校验结果。

44、上述方案中,通过获取简易码图像的平均灰度值并据此对预设灰度增益基准系数进行动态调整,使得灰度增益系数能够根据简易码图像的实际光照和表面清洁状态自适应变化,再结合预设灰度偏移量对每个像素点的灰度值进行增益运算,从而在保持图像整体亮度合理的前提下有效拉伸简易码区域与背景之间的对比度,使得即便存在轻微污渍或蚀刻不均的简易码图案也能够呈现清晰的边界特征;在此基础之上,对简易码标识图像进行边缘轮廓检测以锁定简易码区域,有效排除了非码区域的背景干扰,提升了码值解析的针对性,以简易码边缘轮廓的方式,避免了现有技术中进行全信息解码的复杂流程;接着分别对数字编码进行校验码验证和对简易码验证,形成了双重校验机制,既验证了数字编码的数据完整性,又对简易码本身的数据合法性进行了独立确认,使得数据校验结果能够准确反映是数字编码错误还是简易码图案损坏,提高了异常检测的效率和准确性。

45、作为优选方案,所述基于所述装配适应度和数据校验结果对所述上弯梁支架进行异常检测,得到所述上弯梁支架的异常检测结果,包括:

46、若所述装配适应度小于预设装配适应度阈值,或者所述数字编码校验结果为数字编码校验不合格,或者所述简易码校验结果为简易码校验未通过,则对所述上弯梁支架进行异常分类,得到所述上弯梁支架的异常检测结果;

47、否则,将所述上弯梁支架的异常检测结果设置为上弯梁支架未存在异常,并从所述简易码提取所述上弯梁支架的零部件id、生产批次和供应商代码;将所述上弯梁支架的零部件id、生产批次和供应商代码上传至预设车辆生产管理系统,以将所述上弯梁支架的零部件id、生产批次和供应商代码与所述上弯梁支架进行绑定,完成所述上弯梁支架的异常检测。

48、上述方案中,在装装配适应度小于预设装配适应度阈值,或者所述数字编码校验结果为数字编码校验不合格,或者所述简易码校验结果为简易码校验未通过时,对所述上弯梁支架进行异常分类;否则才确认上弯梁支架不存在异常,以多维度判断确保了任一维度的异常都不会被遗漏或忽视,将结构适配性和数据可靠性两个维度在同一判定框架下进行综合评估,有效消除了因不同检测环节结果冲突或信息孤岛所导致的判定盲区,提高了异常检测的准确性;在确认支架未存在异常的情况下,从简易码中提取零部件标识、生产批次和供应商代码后上传至车辆生产管理系统,并将这些追溯信息与上弯梁支架进行绑定,使得每一件上弯梁支架在完成异常检测通过的同时即完成了全生命周期追溯数据的自动化采集和关联,在保障检测全面性和准确性的前提下最大限度地压缩了工位处理时间,从而有效提升了整条生产线的运行效率。

49、作为优选方案,所述若所述装配适应度小于预设装配适应度阈值,或者所述数字编码校验结果为数字编码校验不合格,或者所述简易码校验结果为简易码校验未通过,则对所述上弯梁支架进行异常分类,得到所述上弯梁支架的异常检测结果,包括:

50、若所述装配适应度小于预设装配适应度阈值,或者所述数字编码校验结果为数字编码校验不合格,或者所述简易码校验结果为简易码校验未通过,获取若干第一上弯梁支架标准特征库,其中,所述第一上弯梁支架标准特征库对应的车辆型号与所述当前理论生产车辆的车辆型号不同;

51、基于所述第一上弯梁支架标准特征库对所述上弯梁支架的轮廓尺寸特征、孔位分布特征和焊接点位置特征进行特征比对,确定所述上弯梁支架与每个所述第一上弯梁支架标准特征库之间的第一装配适应度;

52、基于所述第一装配适应度和所述装配适应度确定所述上弯梁支架的车型匹配得分,并结合所述数字编码校验结果确定所述上弯梁支架的车型匹配异常判断结果;

53、基于所述上弯梁支架标准特征库对所述轮廓尺寸特征、孔位分布特征和焊接点位置特征进行偏差得分计算,得到所述上弯梁支架的综合质量偏差得分;

54、基于所述综合质量偏差得分和预设综合质量偏差阈值确定所述上弯梁支架的零件质量异常判断结果;

55、基于所述上弯梁支架的数据校验结果确定所述上弯梁支架的简易码异常判断结果;

56、基于所述的车型匹配异常判断结果、零件质量异常判断结果和简易码异常判断结果确定所述上弯梁支架的异常检测结果。

57、上述方案中,通过获取若干不同于当前理论生产车辆的车辆型号的第一上弯梁支架标准特征库,并分别计算上弯梁支架与第一上弯梁支架标准特征库之间的第一装配适应度,再结合数字编码校验结果综合判定上弯梁支架是否属于车型匹配异常,从结构匹配和数据一致性两个维度确认车型错装事实,避免因单一证据不足而导致的误判;同时,基于上弯梁支架标准特征库对三类结构特征进行偏差得分计算得到综合质量偏差得分,通过与预设综合质量偏差阈值比较判定是否存在零件制造质量异常,使得质量问题的判定有明确的量化依据;在此基础上,基于数据校验结果独立判定简易码是否存在异常,最终将车型匹配异常判断结果、零件质量异常判断结果和简易码异常判断结果三个独立的判定结果综合确定为支架的最终异常检测结果,实现了对车型错装、零件质量超标、追溯信息异常三类不同性质的异常分别进行精确识别和归类,提升了异常检测的准确性。

58、相应的,本发明实施例提供了一种车辆的上弯梁支架异常检测系统,包括:数据获取模块、特征提取模块、特征比对模块、装配适应度确定模块、简易码检测模块和异常检测模块;

59、所述数据获取模块用于采集当前生产车辆的上弯梁支架的支架图像和简易码图像,并获取当前理论生产车辆的上弯梁支架标准特征库;

60、所述特征提取模块用于对所述支架图像进行特征提取,得到所述上弯梁支架的轮廓尺寸特征、孔位分布特征和焊接点位置特征;

61、所述特征比对模块用于基于所述上弯梁支架标准特征库对所述轮廓尺寸特征、孔位分布特征和焊接点位置特征进行特征比对,确定所述上弯梁支架的轮廓尺寸比对数据、孔位分布比对数据和焊接点位置比对数据;

62、所述装配适应度确定模块用于基于所述上弯梁支架的轮廓尺寸比对数据、孔位分布比对数据和焊接点位置比对数据确定所述上弯梁支架的装配适应度;

63、所述简易码检测模块用于从所述简易码图像中提取所述上弯梁支架的简易码边缘轮廓,并对所述简易码边缘轮廓进行数据校验,得到所述上弯梁支架的数据校验结果;

64、所述异常检测模块用于基于所述装配适应度和数据校验结果对所述上弯梁支架进行异常检测,得到所述上弯梁支架的异常检测结果。

65、作为优选方案,所述特征提取模块包括:特征提取单元;

66、所述特征提取单元用于对所述支架图像依次进行高斯滤波处理、方图均衡化增强处理和自适应阈值二值化处理,得到所述上弯梁支架的二值化图像;

67、基于预设边缘检测算法从所述二值化图像中提取所述上弯梁支架的支架轮廓,并确定所述支架轮廓的实际长度、实际宽度和实际弧度;

68、基于所述支架轮廓的实际长度、实际宽度和实际弧度确定所述上弯梁支架的轮廓尺寸特征;

69、基于预设霍夫圆变换算法对所述二值化图像中的像素点进行遍历,得到同时满足预设圆方程和预设孔位尺寸范围的若干圆孔,并确定每个所述圆孔的实际直径和实际圆心坐标;

70、基于所有所述圆孔的实际直径和实际圆心坐标确定所述上弯梁支架的孔位分布特征;

71、基于预设尺度不变特征变换算法对所述二值化图像进行像素点筛选,得到所述上弯梁支架的若干焊接点和每个所述焊接点的实际焊接点坐标;

72、基于所述焊接点坐标确定所述上弯梁支架的焊接点位置特征。

73、作为优选方案,所述特征比对模块包括:特征比对单元;

74、在所述特征比对单元中,所述上弯梁支架标准特征库包括:标准轮廓尺寸特征、每个所述圆孔的标准圆心坐标、每个所述圆孔的标准直径和每个所述焊接点的标准焊接点坐标;

75、所述特征比对单元用于将所述轮廓尺寸特征与所述标准轮廓尺寸特征进行偏差率计算,确定所述上弯梁支架的长度偏差率、宽度偏差率和弧度偏差率;

76、基于所述长度偏差率、宽度偏差率和弧度偏差率形成所述上弯梁支架的轮廓尺寸比对数据;

77、将每个所述圆孔的标准圆心坐标与实际圆心坐标进行欧式距离计算,得到每个所述圆孔的孔心偏差距离;对每个所述圆孔的实际直径与标准直径进行偏差率计算,得到每个所述圆孔的直径偏差率;

78、基于每个所述圆孔的孔心偏差距离和直径偏差值确定所述上弯梁支架的孔位分布比对数据;

79、将每个所述焊接点的标准焊接点坐标与实际焊接点坐标进行欧氏距离计算,得到每个所述焊接点的焊接中心偏差距离;

80、基于所有所述焊接中心偏差距离确定所述上弯梁支架的焊接点位置比对数据。

81、可以理解的是,相较于现有技术,本系统通过采集当前生产车辆的上弯梁支架的支架图像和简易码图像,并获取当前理论生产车辆的上弯梁支架标准特征库;在此基础上,通过提取轮廓尺寸特征、孔位分布特征和焊接点位置特征这三类直接影响上弯梁支架与前大梁总成装配适配性的核心结构参数,并与当前理论生产车辆的上弯梁支架标准特征库进行比对,将异常检测从传统的车型判断转换为装配可行性量化验证,生成多维度量化且更加准确的装配适应度,能够准确的衡量当前生产车辆的上弯梁支架与当前理论生产车辆之间的匹配程度;同时,通过从简易码图像中提取简易码边缘轮廓并进行数据校验,以简易码边缘轮廓的方式,避免了现有技术中进行全信息解码的复杂流程;最后,以装配适应度判定与数据校验结果进行联合异常检测,使得异常检测结果能够同时涵盖物理适配性维度和数据可靠性维度,避免了单一维度误判或漏判的风险,从而在确保检测准确性的前提下,通过简易码的快速校验机制维持了生产线的高效节拍,提高了异常检测的准确性与效率。