新能源汽車零部件發(fā)展現(xiàn)狀與檢測方法研究

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(shù)掌握不足與生產(chǎn)投入不高的問題，導(dǎo)致生產(chǎn)的零部件質(zhì)量不佳，容易產(chǎn)生一定缺陷，為此，本文結(jié)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(shè)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(zhǔn)確率均達(dá)到了90%以上，遠(yuǎn)遠(yuǎn)高于傳統(tǒng)檢測方法。由此可以證明，設(shè)計的零部件缺陷檢測方法可行有效，能夠較準(zhǔn)確地檢測出零部件的缺陷，該方法在實際應(yīng)用中具有一定的實用性。

關(guān)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(kuò)大，汽車零部件相關(guān)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(shù)方面沒有創(chuàng)新，對核心技術(shù)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(zhì)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(jié)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(jìn)行了設(shè)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(shè)計的零部件缺陷檢測方法具有可行性與有效性，可以應(yīng)用于汽車零部件缺陷檢測領(lǐng)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(yīng)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(zhì)量的高低直接影響到汽車性能的優(yōu)劣，只有基于質(zhì)量過關(guān)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(shù)。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(shù)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(guān)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(shù)方面上，各行業(yè)在汽車零部件領(lǐng)域?qū)﹃P(guān)鍵技術(shù)掌控得還不夠充足。對零部件核心技術(shù)掌握不足，容易導(dǎo)致生產(chǎn)出的零部件具有表面有缺陷或者內(nèi)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(yīng)商在市場中的占有率一直久居不下，可見當(dāng)前新能源汽車零部件在技術(shù)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(shù)中心評定中，通過評定的關(guān)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(wù)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(dǎo)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(yuǎn)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(shè)計能力，帶動系統(tǒng)其他技術(shù)的進(jìn)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(zhì)新能源汽車零部件，掌握零部件材料開發(fā)與試制技術(shù)，向“專業(yè)化生產(chǎn)”的方向發(fā)展，追求質(zhì)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(jìn)行檢測，不斷優(yōu)化零部件的質(zhì)量。

通過分析新能源汽車零部件的發(fā)展現(xiàn)狀，明確當(dāng)前新能源汽車零部件在掌握生產(chǎn)核心技術(shù)和硬件水平投入等方面的不足，進(jìn)而導(dǎo)致生產(chǎn)出的零部件質(zhì)量不佳，容易出現(xiàn)缺陷等情況，結(jié)合以上實際問題，提出設(shè)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(shè)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(guān)算子算法，對零部件缺陷進(jìn)行檢測。

首先通過專業(yè)設(shè)備獲取零部件圖像，經(jīng)過預(yù)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(jìn)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(jìn)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(jī)對車身零部件進(jìn)行拍攝，從而獲取到完整的汽車零部件圖像，該相機(jī)具有較高的分辨率，可保證獲得的圖像擁有較強(qiáng)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(jī)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(zhǔn)定位缺陷位置，需要對零部件圖像進(jìn)行噪聲濾除[4]。在進(jìn)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(jī)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(lán)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(jī)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(jìn)行交互變換，即將圖像原本具有的三個通道顏色信息轉(zhuǎn)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(fù)雜度，提高運(yùn)算速度。彩度信息與灰度信息轉(zhuǎn)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(lán)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(zhuǎn)換獲取到的灰度圖像，進(jìn)行噪聲濾除操作。通常情況下，由于設(shè)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(diǎn)在圖像中呈散亂狀分布，隨機(jī)出現(xiàn)在圖像中的像素點(diǎn)，而且所有噪點(diǎn)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(diǎn)上都會出現(xiàn)，且其幅度值是隨機(jī)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(diǎn)，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(jìn)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(dāng)模板每次覆蓋到圖像中5*5像素范圍時，將該范圍內(nèi)全部像素點(diǎn)的平均值賦予到中心點(diǎn)，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(biāo)為（x，y）位置處的像素點(diǎn)；M表示像素點(diǎn)區(qū)域；N表示M中像素點(diǎn)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(chǔ)。

3.2 圖像背景分割

通過上述轉(zhuǎn)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(diǎn)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(jìn)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]。考慮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(biāo)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(diǎn)劃分為兩類，即主要像素點(diǎn)和次要像素點(diǎn)，主要像素點(diǎn)就是零部件包含的像素點(diǎn)，也就是需要保留的部分。根據(jù)如下公式判斷像素點(diǎn)類別：

（4）

上式中，（x，y）表示零部件圖像中坐標(biāo)為（x，y）的像素點(diǎn)；f（x，y）表示該像素點(diǎn)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(biāo)區(qū)域即所需要的零部件部分像素點(diǎn)的灰度值大于等于灰度閾值，背景部分像素點(diǎn)的灰度值小于灰度閾值。至此，可以準(zhǔn)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(jìn)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?qū)D像像素點(diǎn)灰度值最大值進(jìn)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(yùn)用一階有限差分計算圖像的偏導(dǎo)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(dǎo)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(xì)線，將位于該細(xì)線上的梯度點(diǎn)設(shè)為0。選取梯度強(qiáng)度最大的點(diǎn)T1和梯度強(qiáng)度最小的點(diǎn)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(diǎn)劃為圖像的強(qiáng)邊緣，將灰度值在T1以下的點(diǎn)劃為圖像背景，灰度值在T1和T2中間的像素點(diǎn)看作圖像信息。

3.4 缺陷檢測

基于前文對圖像的預(yù)處理以及去噪、分割、提取等操作，要進(jìn)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(diǎn)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(shè)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(jìn)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(jìn)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(yīng)的目標(biāo)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(jìn)行閉運(yùn)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(biāo)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(shè)置合理的參數(shù)，包括匹配的貪婪度、梯度變化率以及導(dǎo)數(shù)峰值，以獲得最準(zhǔn)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(diǎn)，用動態(tài)開分操作將較小的差異點(diǎn)剔除，只保留數(shù)值較大的差異點(diǎn)，通過connection算子將各個差異點(diǎn)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(zhǔn)備

為驗證本文設(shè)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(jī)對其進(jìn)行圖像獲取，將所有圖像的分辨率統(tǒng)一設(shè)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(zhǔn)則，即全類別平均準(zhǔn)確率，其計算方法是在模板匹配過程中利用插值法進(jìn)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(zhǔn)確率；pre表示精確率；r表示11個不同的閾值。

4.3 實驗結(jié)果

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

由表1可知，在4次實驗中，本文設(shè)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(zhǔn)確率均達(dá)到了90%以上，遠(yuǎn)遠(yuǎn)高于傳統(tǒng)檢測方法。由此可以證明，本文設(shè)計的零部件缺陷檢測方法可行有效，能夠較準(zhǔn)確地檢測出零部件的缺陷，該方法在實際應(yīng)用中具有一定的實用性。

5 結(jié)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(dāng)前的發(fā)展中存在對核心技術(shù)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(dǎo)致生產(chǎn)出的零部件具有一定的缺陷，質(zhì)量不佳，因此，結(jié)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(shù)，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(shè)計的零部件缺陷檢測方法具有較高的檢測準(zhǔn)確度，該方法對相關(guān)零部件缺陷檢測工作具有一定的參考作用。

參考文獻(xiàn)：

[1]史佩京.中國汽車零部件再制造產(chǎn)業(yè)技術(shù)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(rèn)證必要性[J].科技創(chuàng)新與應(yīng)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(shù)國內(nèi)發(fā)展現(xiàn)狀綜述[J].內(nèi)燃機(jī)與配件，2021（6）：116-117.