摘要
随着我国经济、社会、文化的高速高质量发展，智能喷涂行业也迅速兴起，喷涂表面存在缺陷不仅影响产品外观，而且存在重大的安全隐患，因此，喷涂表面质量检测已经发展成为智能喷涂产线过程中不可或缺、至关重要的一个环节。传统的喷涂表面质量检测主要采取人工检测的方式，这种方式不仅效率低下，而且喷漆本身存在剧毒，对工人的身体会造成巨大损伤，近些年，由于机器视觉与深度学习的快速发展，逐步开发出新的智能自动化的检测方式来替代传统检测。本文采用工业CMOS相机和三维结构光相机对喷涂表面进行扫描，对采集的图像数据和点云数据进行分析检测，用以提高喷涂表面质量检测的安全性、高效性和准确性。 本文首先研究喷涂表面数据的采集，结合实际喷涂表面缺陷特征，运用不同的设备对喷涂表面进行数据采集，同时对不同的采集设备完成标定的理论与实验过程的研究以及相关精度验证。研究基于图像和点云数据的喷涂表面质量检测，针对划痕、橘皮、颗粒不良、缩孔和气泡等缺陷，主要采用图像数据进行缺陷目标检测，对图像数据先进行预处理，有效去除图像的噪声，由于喷涂表面缺陷数据集有限，需要对采集得到的缺陷数据集进行数据增强来扩充数据集，用以提高实际检测的准确性和鲁棒性，通过结合YOLOv5目标检测算法，分别在注意力机制、模块替换以及损失函数三个方面进行模型的改进，实现适用于喷涂表面缺陷的定位与分类。针对气泡缺陷，主要采用点云数据进行一系列点云处理后进行点云缺陷检测，先对喷涂表面点云数据进行预处理，实现点云数据的精简以及点云数据的降噪，能够有效提高检测效率与检测的准确性，通过点云数据的匹配，匹配无缺陷喷涂表面，分割出缺陷部分点云，进行缺陷的定位，对缺陷部分点云进行特征分析后分析出具体的缺陷类型，进一步利用三维重构技术实现对点云数据的三维可视化处理，从而完成喷涂表面质量检测的整个过程。 本文对喷涂表面进行了一定程度的数据采集以及使用数据增强用方式扩充数据集，并进行了一系列的实验结果的验证，来体现本文所提出算法的有效性、准确性以及高效性，实验结果表明，本文提出的喷涂表面质量检测技术方案能够满足预期的检测效果。后续将会针对具体的缺陷特征优化检测算法以提高喷涂表面质量检测的检测精度与检测效率。
NETL