《Sensors》:Research on Low-Cost Non-Contact Vision-Based Wheel Arch Detection for End-of-Line Stage
背景与动机
车辆下线阶段是汽车制造过程中的关键最终环节,在此阶段必须完成高级驾驶辅助系统传感器校准和车辆尺寸检测等基本任务。其中,轮拱(定义为轮拱下边缘到地面的垂直距离)是基本的车辆参考参数,其测量精度直接影响ADAS坐标系的重建。根据中国国家标准GB/T 39263-2020和GB/T 40429-2021,ADAS校准期间轮拱的测量误差必须控制在±1.0毫米以内。超出此公差范围的偏差会导致毫米波雷达和环视摄像头的空间定位误差,从而降低ADAS的环境感知性能。
车辆下线阶段具有生产节拍高、成本敏感和严格非接触检测要求的特点。具体而言,生产周期时间通常超过60 JPH(每小时60辆车),单站设备预算必须保持在10万元人民币以下,车辆油漆返工率必须低于0.1%。这些限制对轮拱测量技术提出了三个关键需求:非接触测量以防止漆面损伤、低成本实施以避免依赖昂贵的检测设备,以及自动化和高效率,要求单次测量周期在10秒内完成且无需人工干预。目前,轮拱测量已成为限制下线吞吐量和ADAS校准精度的关键瓶颈,凸显了需要针对该工业场景的专用检测解决方案。
现有方法的局限性
尽管在非接触测量、视觉检测算法和智能制造系统集成方面已进行了广泛研究,但现有技术在应用于车辆下线阶段的轮拱测量时面临系统性的局限性。该场景要求±1毫米的精度、周期时间<10秒、低成本实施以及对光照、灰尘和其他环境干扰的鲁棒性。
手动接触测量(使用带参考目标的卷尺)成本低廉(约几百元),但误差超过±2毫米,每个轮拱需要30秒以上,并且存在漆面损伤风险。坐标测量机(CMM)可实现±0.05毫米的精度,但成本超过50万元,需要受控环境,测量时间超过10分钟,不适合高吞吐量的下线检测。激光轮廓仪和双目视觉系统避免了油漆损伤,然而激光设备每台成本超过15万元,双目系统需要专家校准且模型适应性差。在车间照明波动(500-1500勒克斯)和灰尘干扰下,测量误差可能从实验室条件下的±1.0毫米上升到±2.0毫米,影响工艺稳定性。因此,当前的测量解决方案无法同时实现非接触、低成本、高效率和强鲁棒性的结合,为下线轮拱检测留下了明显的空白。
提出的方法与贡献
为了解决这些挑战,本研究提出了一种用于轮拱测量的低成本、非接触、单目机器视觉方法。具体贡献如下:一个经济高效的硬件系统,使用DMK33GX183工业相机(约1000元)和OPT-RL2416 LED光源,总硬件成本控制在5万元以内;一个鲁棒的检测算法,采用YOLOv5s进行自动轮毂定位(mAP@0.5 = 0.995,单帧处理时间<28毫秒),结合最大稳定极值区域分割和Canny边缘检测来提取轮拱特征,并建立像素到现实世界的转换模型;以及基于场景的实验,在真实的车辆下线环境中进行,模拟了七种车型(2种轿车,5种SUV)的光照和灰尘变化,每个模型进行100次重复测量。结果表明,测量精度在±1.0毫米以内,单周期时间<10秒,实现了无需人工干预的全自动检测。该方法为下线操作中的轮拱检测提供了一种低成本、高精度、全自动的解决方案,支持智能ADAS校准流程,并推动了智能汽车制造的发展。
关键技术理论原理
单目相机成像模型
单目成像模型建立在针孔相机模型的基础上,其核心目标是建立3D世界与2D图像之间的精确映射。这是通过定义四个坐标系来实现的:世界坐标系(Ow)、相机坐标系(Oc)、图像坐标系(Ouv,单位:毫米)和像素坐标系(U-V,单位:像素)。根据相似三角形原理,世界坐标系中的任何空间点P(Xw, Yw, Zw)与其在像素坐标系中的对应投影点p(u, v)之间的映射关系可以表示为齐次坐标变换方程。其中,K是包含焦距(fx, fy)和主点坐标(u0, v0)的相机内参矩阵;R是3×3旋转矩阵;t是3×1平移向量;(1/Zw)是用于消除3D到2D投影中尺度歧义的缩放因子。
低成本相机标定
相机标定是获取单目测量系统内外参的核心前提,直接决定了后续轮拱测量的精度和鲁棒性。传统的棋盘格标定方法依赖高精度打印的棋盘格,制造精度要求≤0.02毫米,且棋盘格表面易受车间照明反射影响,导致角点提取偏差。为了解决这个问题,本研究采用铝制圆形标定板来构建低成本、高鲁棒性的标定方案。标定板遵循中国标准GB400-20-7×7规格,相邻特征点中心距离为4毫米,制造精度控制在±0.01毫米以内,单个标定板成本仅为同等精度高精度棋盘格标定板的五分之一。金属材料能够抵抗灰尘污染和磨损,减少了特征提取中灰尘附着的干扰。此外,与棋盘格角点相比,圆形特征点有效避免了因边缘模糊或光照不均引起的识别模糊性。
具体步骤包括:将相机固定在检测站预设的安装支架上;调整铝制圆形标定板的空间角度和位置以完全覆盖相机视场,采集20张标定图像;使用MATLAB 2022b相机标定工具箱计算标定参数,并在特征点提取时引入基于灰度重心法的亚像素级圆心提取算法以进一步优化特征点定位精度。标定结果表明,系统的平均重投影误差≤0.3像素,确保了后续轮拱测量的系统误差控制在±0.1毫米以内。
相机畸变校正
低成本工业相机镜头由于光学设计简化和制造成本限制,常表现出两种光学畸变:径向畸变和切向畸变。这些畸变会导致图像中轮拱边缘的像素级位移,特别是轮拱下边缘顶点等关键特征点的定位误差可达2-3像素,从而降低特征提取精度并最终影响轮拱计算精度。因此,需要通过构建简化的畸变校正模型来进行补偿。主要目标是在满足±0.5毫米测量要求的校正精度的同时,降低算法计算复杂度以适应实时检测需求。
径向畸变源于镜头光学元件折射率分布不均和装配误差,通常表现为图像中离光学中心较远区域的几何畸变。本研究采用包含k1到k3系数(三阶径向畸变)的多项式径向畸变模型来补偿径向畸变。与高阶多项式模型相比,该模型将畸变校正过程中的计算负载降低了约40%,同时确保残余径向畸变误差保持在0.1像素以内。切向畸变则由透镜元件之间的未对准或倾斜引起,导致图像中的物体出现倾斜。畸变校正原理涉及建立畸变像素坐标与理想像素坐标之间的映射关系。为了进一步增强实时检测效率,引入了预计算映射表方法,在实时检测阶段通过查表直接访问每个像素的校正位置,消除了重复多项式求解或其他冗余计算的需要,从而有效降低了计算复杂度。
轮拱计算模型
考虑到车辆下线场景中车身参数的多样性和车间环境的干扰特性,本研究开发了一个以轮毂中心为中间参考的轮拱计算模型。该参考点内置于车辆结构设计中,在同一模型内与轮拱和地面保持稳定的相对位置。因此,不需要额外的地面校准标记,简化了检测过程,避免了地面参考的环境干扰问题,并显著增强了模型的抗干扰能力。
传统的轮拱测量模型通常依赖于地面参考点的直接距离测量。这些方法需要在检测站安装高精度地面校准标记,通常使用金属标记物进行定位。然而,这些标记物在车间易被灰尘覆盖或因车辆移动而磨损,导致基准定位误差增加。此外,对于具有不同轴距和车轮直径的车辆,地面参考位置必须反复调整,这降低了适应性并使批量测试复杂化。
相比之下,本研究提出了一个更具适应性的轮拱计算模型。该模型将测量过程分为三个关键要素:轮拱、轮毂和地面。轮拱下边缘顶点(点M)作为高度测量的终点。轮毂中心(点C)是中心参考点。地面(点G)是轮毂与地面接触点处高度测量的起点。通过建立这三者之间的几何关系推导公式:H = H1+ H2,其中H表示轮拱到地面的实际高度,H1是轮毂中心到轮拱下边缘的高度,H2是轮毂中心到地面的距离。
基于构建的单目针孔成像模型,进一步推导了计算轮拱的几何测距模型:首先通过图像特征提取获得点M和点C在像素坐标系中的坐标(uM, vM)和(uC, vC);然后基于标定得到的内参(fx, fy, u0, v0)和外参(R, t),将像素坐标转换为世界坐标系中的三维坐标(XM, YM, ZM)和(XC, YC, ZC);最后,利用世界坐标系中Z轴与轮拱方向对齐的特性,结合已知的轮毂中心到地面的垂直距离HCG(在车辆下线生产且车辆处于静态、空载、标准胎压状态下,同一车型的该参数是固定的)进行计算。
为了校正单目视觉测量模型中固有的尺度误差和未建模的系统偏差,本研究引入了综合尺度校正因子k1和偏移校正因子b。这些校正旨在补偿由简化相机模型、安装未对准和工作距离变化等因素引起的像素到世界坐标变换中的系统误差。这些因子的标定通过高精度实验进行。PLC控制的线性导轨驱动校准后的参考夹具,在系统工作距离范围内以1.0毫米的精度移动。在每个位置捕获图像,并收集实际位移和像素位移的对应数据对,积累超过100个有效样本。然后使用最小二乘法对数据集进行线性拟合,得到最优的尺度校正因子k1和偏移校正因子b。此过程有效地将包括残余畸变和安装缺陷在内的多种系统误差吸收到这两个参数中。最终校正后的轮拱计算模型由方程H = k1Zm+ b给出,其中Zm表示基于初始相机参数的原始测量值。
系统设计与实现
硬件系统设计
硬件选择遵循“适用即最佳、成本可控”的原则,在确保性能满足轮拱检测精度和效率要求的前提下,优先选择高性价比的组件。
核心感知模块采用The Imaging Source的DMK33GX183 CMOS 300万像素工业相机,分辨率2048×1536像素,最大帧率60 fps,成本仅为同等分辨率高端工业相机的三分之一。照明系统采用Opt的OPT-RL2416蓝色条形LED光源,配以扩散板和遮光罩。蓝光在金属车漆上的反射率约为30%,低于白光的60%,能有效减少反射干扰。20W可调功率范围(300-2000勒克斯)可适应车间500-1500勒克斯的光照波动。
固定与定位模块采用4040铝型材构建“L”形相机支架,由PLC控制进行轨道调节,调节范围800-1500毫米,完全覆盖轿车和SUV的检测需求。为应对车间振动干扰,支架底座通过M12膨胀螺栓刚性连接到10毫米厚钢板上,并固定在车间地面,同时在相机安装点添加5毫米厚丁腈橡胶减振垫,振动衰减率≥90%。重复定位误差≤0.1毫米。车辆对中辅助则复用下线站现有的滚筒侧导轮装置,并配合红外光束传感器实时检测车轮边缘位置,由PLC微调导轮,确保轮毂中心与相机光轴的水平偏差≤5毫米。
计算与控制模块选用 Advantech IPC-610L 工业计算机,配置Intel Core i5-10400处理器、16 GB DDR4内存和512 GB SSD。USB 3.0接口支持300万像素分辨率下单帧图像传输时间≤20毫秒。CPU单线程运行核心OpenCV算法处理时间≤800毫秒,满足单次检测周期≤5秒的阈值。集成UHD Graphics 630 GPU可加速YOLOv5s推理。
轮拱测量软件系统
软件系统采用模块化深色主题用户界面设计,集成实时四轮拱状态监控、设备控制、参数配置和性能分析功能模块。创新性地集成了轮拱测量时间统计模块,可实时可视化各测量点处理时间。通过并行任务调度和数据缓冲策略,总处理时间稳定控制在3200毫秒以内。软件基于Python 3.8开发,利用OpenCV、PyTorch等开源库,具有高实时性、良好可维护性和低实现成本的特点。
轮毂检测基于YOLOv5s模型。收集了7种车型(包括轿车和SUV)在0°至15°拍摄角度和500至1500勒克斯照明条件下的1000张高分辨率图像数据集。应用水平翻转、-10°至+10°旋转和±20%亮度扰动等数据增强技术。使用COCO预训练权重进行迁移学习,训练200个epoch,采用Adam优化器和CIoU损失函数。训练后分类精度达99.8%,在测试集上mAP@0.5达到0.995,车辆模型识别准确率100%,轮毂边界框定位误差不超过2像素。经TensorRT加速后,单帧推理时间低于28毫秒。
图像预处理采用去噪、增强、裁剪和自适应四阶段流水线。应用多尺度高斯滤波进行噪声抑制和Retinex-CLAHE融合增强策略后,图像信噪比(SNR)从28 dB提高到42 dB,轮拱区域背景灰度对比度从18提高到30以上。通过区域裁剪和自适应处理,有效数据量减少到原始大小的95%。轮拱检测准确率从89.2%提高到99.5%以上,误检率从5.7%降低到0.3%以下。
轮毂中心特征点提取采用最大稳定极值区域(MSER)算法,该算法在光照变化和噪声干扰下具有鲁棒性。结合形态学处理(如膨胀和腐蚀)来增强特征提取。具体步骤包括灰度转换、基于分水岭概念的MSER区域分割、使用cv2.bitwise()和cv2.floodFill()函数进行区域合并和孔洞填充以消除轮辐干扰,最后使用cv2.minEnclosingCircle()函数拟合最小外接圆,输出轮毂中心坐标和半径。实验表明,MSER方法提取的轮毂中心定位误差为-0.391毫米,优于阈值分割和Canny边缘检测方法。
轮拱边缘轮廓提取采用Canny边缘检测算法结合区域滤波。使用双阈值60/180和孔径大小3提取图像中的所有边缘,然后根据轮毂中心位置定义轮拱特定感兴趣区域(ROI)以过滤掉不相关的边缘(如车门和保险杠边缘)。将过滤后的轮拱边缘分割成线段,丢弃短于50像素的短噪声线,保留方向角在80-100°之间的近似垂直的轮拱主边缘。
轮拱计算通过视觉特征叠加实现精确测量。将提取的轮毂中心点与轮拱轮廓进行像素级对齐,然后从中心点C向地面作垂线,得到与轮拱边缘的交点G,计算两点间的垂直像素距离Δy = |yg- yc|。最后,利用基于轮毂直径标定的像素到物理尺寸系数k,通过公式h1= Δy × k计算轮毂中心到轮拱边缘的实际距离。轮毂中心到地面的距离则通过已知的物理参考间接推导。假设光学轴中心O与相机坐标系原点重合,距地面初始高度为h0,则通过相机内参矩阵计算从O到轮毂中心b的实际垂直距离d,最后根据几何关系h2= h0- d得到轮毂中心到地面的实际距离。最终轮拱高度H = H1+ H2,并基于误差补偿和校正系数方程进行优化。
实验结果与分析
为验证该轮拱检测方法在整车下线场景下的准确性、车辆适应性和环境鲁棒性,实验采用“实验室模拟干扰+现场生产线适配”的双场景方法。通过构建标准化平台、收集多车型数据和量化误差指标来评估系统的可靠性。
在现场平台构建中,遵循与实际生产线条件一致、参数可量化标定、符合车间成本约束的原则。总硬件成本≤5万元,满足整车下线工位的成本和空间约束,并可通过调整光源功率和相机曝光参数模拟各种车间照明环境。
实验选取七款主流车型作为测试对象,包括轮拱高度在825至875毫米之间的四款SUV和轮拱高度在710至845毫米之间的三款轿车。对每个模型重复采集100组数据,并控制环境稳定性变量以比较两种不同场景下的检测性能。
在实验室模拟场景中,在标准化封闭场地进行实验以消除外部因素对测量结果的影响。地面平整度控制在≤0.5毫米/米,照明环境使用可调LED光源模拟车间黎明和黄昏的自然光变化,强度波动范围设置在500至1500勒克斯之间。实验过程保持无灰尘干扰。车辆通过滚筒侧导轮装置定位后,使用相机标定板校准相机,确保相机成像中心与轮毂中心垂直对准,对准偏差控制在≤±0.2毫米。根据实时光强动态调整光源功率,相机曝光时间(500微秒)和增益(1 dB)等参数固定。使用拉普拉斯算子计算图像清晰度,选择方差>300的清晰图像。轮拱参考值使用坐标测量机(CMM,精度±0.02毫米)测量。
在现场生产线场景中,实验在汽车制造厂的离线检测区域进行。照明系统采用“车间顶灯+LED补光灯”组合,强度恒定控制在1000±50勒克斯。相机水平安装,与生产线滚筒轨道成预设角度。地面为生产线标准滚筒轨道,平整度≤0.3毫米/米。此设置仅考虑去除光波动干扰这一环境变量,以隔离环境变化对结果的影响,重点验证检测方法在真实工业场景中的稳定输出能力。
误差量化分析结果表明,实验室场景下的误差主要是由500至1500勒克斯光照波动引起的图像灰度分布变化所致。尽管通过预处理步骤进行了缓解,但仍存在≤±1毫米的残余波动。现场场景下,测量值的标准偏差≤0.08毫米,显著低于实验室场景的≤0.3毫米。最小平均绝对误差(MAE)为0.0004毫米(车型F),最大误差≤±0.545毫米,完全满足ADAS校准±1.0毫米的精度要求。标准偏差(SD)约为0.07毫米,表现出优异的数据稳定性。误差分布显示,实验室场景中误差呈较宽的正态分布,而现场场景中误差紧密集中在±0.2毫米范围内,证实了环境稳定性对提高检测精度的关键作用。
在车型适应性方面,对于七种车型(包括四款SUV和三款轿车),两种场景下的误差趋势高度一致。轿车在实验室场景中的平均MAE为0.321毫米,SUV为0.308毫米,差异仅为0.013毫米。在现场场景中,轿车和SUV的平均MAE进一步收敛至0.022毫米和0.025毫米。整个过程无需针对个别模型调整算法参数,也未因模型结构差异出现精度波动,强有力地证实了该方法对混线生产的适应性。
在环境鲁棒性方面,通过比较两种场景的核心精度指标,同一车型的平均测量值最大偏差仅为0.124毫米(如车型B:实验室794.971毫米 vs. 现场794.847毫米),无系统偏差(波动≤0.005毫米)。这表明该方法对典型的车间干扰表现出强大的抵抗能力,能够稳定适应实际生产环境。
实验结论
该轮拱检测方法的核心性能指标完全符合行业标准。在实际生产场景中,轮拱检测的平均绝对误差(MAE)≤0.046毫米,最大误差≤±0.545毫米,完全满足车辆下线ADAS校准的精度要求。该方法表现出优异的车型适应性。算法运行稳定,无需参数调整,完全适应混线下线车辆生产。该方法还显示出显著的环境鲁棒性,在典型的车间干扰(如波动光照和灰尘)下仍能保持稳定的检测性能。此外,该方法具有强大的成本优势,实验平台总硬件成本≤5万元,远低于传统激光轮廓仪所需的投资,证明其在大规模部署方面具有经济可行性。
结论与展望
本研究针对车辆生产线下线阶段轮拱检测对“低成本、非接触、高效率、高精度”的核心需求,开发并验证了一套基于单目机器视觉的检测系统。总硬件成本仅为2万元,比激光轮廓仪低90.3%,比坐标测量仪低92.6%,并且5年生命周期成本是手动卷尺方法的30.4%。在七种车型(3种轿车、4种SUV)上的测试结果显示,平均绝对误差(MAE)≤0.25毫米,最大误差≤0.48毫米,满足ADAS校准±0.5毫米的要求。系统单辆车四个轮拱的检测总时间≤3.2秒,满足60 JPH的行业标准节拍要求,在500-1500勒克斯光照和≤10毫克/立方米粉尘环境下,MAE波动≤0.08毫米。非接触式设计也避免了车身油漆损伤。依托开源技术,系统可在3天内部署完成,支持扩展至20种以上车型。
然而,该系统存在一些局限性:目前仅支持静态车辆检测(当车辆以0.5-1米/秒动态传送时,误差增加至±0.8毫米)。此外,在极端条件(强光>2000勒克斯,高湿度RH>85%)下,特征提取稳定性会降低。未来的改进将包括采用Lucas-Kanade光流法实现速度高达1米/秒的动态检测(误差≤0.5毫米),集成低成本飞行时间(TOF)激光模块以扩展环境适应性(光照50-3000勒克斯,相对湿度30-90%),以及通过迁移学习优化YOLOv5s模型,将新车型的适配时间从2小时减少到10分钟,进一步提升系统在混线生产中的适应性。