（一）以基于3D線掃相機的電池盒缺陷檢測流程為例

數(shù)據(jù)采集前準備

檢測系統(tǒng)包含線掃相機和機器人，機器人按規(guī)劃路徑攜帶線掃相機運動，為采集電池盒點云數(shù)據(jù)做準備。

數(shù)據(jù)預處理

對電池盒點云數(shù)據(jù)進行無效點、干擾區(qū)域以及離群點的去除處理。

特征提取與疑似缺陷確定

基于幾何特征方程擬合的方法，提取出剩余點云數(shù)據(jù)中所有的特征點云及其外點點云，進而確定疑似缺陷點云。

進一步分析疑似區(qū)域

根據(jù)外點每個簇的質(zhì)心，提取質(zhì)心所對應特征點云局部區(qū)域點云，對局部區(qū)域點云進行幾何方程擬合，提取外點。

缺陷判斷

對外點進行歐式聚類，根據(jù)聚類結(jié)果判斷該疑似點附近區(qū)域是否有缺陷存在。最后使用RANSAC方法對疑似區(qū)域進行第二輪精細擬合，并對外點的提取結(jié)果進行篩選，確定缺陷的存在。

（二）基于高頻激光線掃相機的軌道缺陷檢測流程

數(shù)據(jù)采集

通過輪式小車的行走，帶動激光相機進行移動，并在移動的過程中通過激光相機對鋼軌表面進行線掃成像，將激光相機成像生成的深度圖輸入到工控機中。

數(shù)據(jù)處理與計算

工控機中使用三個線程分別計算不同的信息。線程1在CPU上實時計算軌道面缺陷面積和深度以及檢測鋼軌的接縫；線程2統(tǒng)計輪式編碼器的轉(zhuǎn)數(shù)，計算行進距離是否達到軌道長度；然后線程1和線程2的結(jié)果匯總復核，確定單軌的起始和終止位置。

結(jié)果匯總

結(jié)合線程1的累計檢測結(jié)果，統(tǒng)計匯總記錄單軌總體缺陷面積、深度，分析單軌損傷程度，記錄存儲并輸出結(jié)果到前端頁面。

二、表面缺陷檢測的幾種方法

（一）基于二維圖像數(shù)據(jù)的方法

原理

通過大量的數(shù)據(jù)標注和多輪深度學習模型訓練來完成缺陷識別及檢測。

局限性

需要大量的正樣本和負樣本，二維圖像中缺陷位置的標注非常費時費力。對二維圖像的成像要求非常嚴格，若無法保證二維圖像質(zhì)量，則會對系統(tǒng)檢測結(jié)果帶來極大的影響。且二維圖像中只能進行識別，在無其它信息輔助的情況下，無法單獨進行缺陷的精確檢測和定位。對于顆粒、工件表面凹坑和凸起這類缺陷，缺陷表面和其他正常區(qū)域表面在二維圖像中的成像一致，沒有明顯的紋理進行區(qū)分。

（二）基于三維點云的方法（以3D線掃相機檢測為例）

優(yōu)勢

三維點云相較于二維圖像，具備深度信息，適用于表面幾何形狀異變類的缺陷識別和檢測。

難點

工業(yè)應用對節(jié)拍和精度提出的嚴格要求與當前三維檢測設(shè)備難以兼顧成像、高頻、高精度、大視野之間存在矛盾；工件的尺寸、紋理、形狀、表面材質(zhì)等特征存在多樣性，難以無死角全覆蓋地完成工件的掃描；從三維點云中完成不同特征的提取及瑕疵檢測非常困難，無法形成一套通用的算法實現(xiàn)工件的無差別檢測；細小的瑕疵信息與噪點在點云表征形式上非常接近，對兩者進行準確地區(qū)分存在不小的難度；為了準確檢測細小的瑕疵，需要使得更多的點覆蓋單個缺陷來確保穩(wěn)定檢出，需要高分辨率的相機及參數(shù)設(shè)置來滿足。

（三）基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的方法（適用于光滑金屬表面缺陷檢測）

原理

利用卷積神經(jīng)網(wǎng)絡(luò)對物體表面圖像（如通過線陣相機環(huán)繞一周掃描得到的圖像）進行分析識別缺陷，但這里介紹的算法僅適用于光滑表面缺陷檢測，不保證可用于其他方向。