摘要：图1：AIS Technologies Group提供的气缸涂层检测系统，在配置中采用了一个定制的二次光学元件，对气缸的喷涂内壁进行成像。由于PTWA过程可能会在缸体内壁残留涂层材料的沉积物（或称为“喷涂点”），因此必须对喷涂结果进行检测，以确保喷涂点的数量、宽度、长度和位置都在制造商设定的公差范围内。

机器视觉和深度学习技术相结合，实现了发动机气缸内涂层均匀性的自动化检测。

作为内燃机的主要部件，压铸气缸体是整个发动机结构的支撑，它包含一些镗孔，每个镗孔用于安装其他部件。其中缸体中直径较大的一个镗孔用于安装活塞。当活塞被安装后，其通过连杆将推力传递到曲轴。

在过去，需要在缸体内配置一个气缸衬套来容纳活塞。这会导致发动机更重、镗孔更小。现在，通过部署美国Flame-Spray Industries公司发明的线材等离子电弧喷涂（PTWA）技术，消除了这种复杂的装配过程。

在PTWA过程中，将耐磨涂层喷涂到发动机缸体镗孔的内表面上。这样缸体内就不需要增加气缸衬套，从而让发动机的镗孔更大，这样就可以使用更大的进气阀，使发动机动力更强。

工业自动化专家和系统集成公司AIS Technologies Group的首席视觉专家Ahmad Shawky表示，“在涂覆了这种铁质耐磨涂层后，必须检查气缸镗孔，以确保PTWA过程使得镗孔内壁被均匀涂覆。”

由于PTWA过程可能会在缸体内壁残留涂层材料的沉积物（或称为“喷涂点”），因此必须对喷涂结果进行检测，以确保喷涂点的数量、宽度、长度和位置都在制造商设定的公差范围内。

在引入和部署机器视觉系统来完成这项任务之前，需要从生产线上取出单体发动机缸体（可能每种产品需要取一个），然后将缸体切开，进而检查缸体镗孔内壁是否存在不合格的喷涂点。

“毫无疑问，”Shawky解释道，“这是一项费时费力的工作，并且不能保证对每个发动机缸体进行检测。”

成像系统

为了解决这个问题，Shawky和他的同事为这项任务开发了一套自动化检测系统，同时还提供了操作员可轻松掌握的图形化用户界面和检测结果。

在使用PTWA过程对发动机缸体进行涂层后，发动机缸体沿着传送带进入到成像站。由于发动机缸体在传送带上处于移动状态，因此必须将缸体从传送带上取下、并使其保持在一个稳定的位置，以方便机器视觉系统对缸体进行成像。为了将每个缸体从传送带上取出，系统使用了由伺服电机驱动的多个线性滑块来抓取缸体，其中伺服电机由PLC控制。

当发动机缸体被移动到一个稳定的位置后，使用机器视觉系统检测发动机缸体的内壁。该成像系统可以在两种不同的配置下工作。第一种配置方法是使用定制的二次光学元件对缸体内壁进行检测（见图1）。

图1：AIS Technologies Group提供的气缸涂层检测系统，在配置中采用了一个定制的二次光学元件，对气缸的喷涂内壁进行成像。

第二种配置方法基于Opto Engineering公司开发的“孔检测”光学镜头，该透镜专门用于对物体的垂直壁进行成像。

系统的照明使用的是CCS America公司的红光LED环形漫射灯，安装在透镜系统上方大约4英寸处，这种直接/镜面照明用于显示高反射缸体表面上的任何变形。随着透镜系统通过线性滑块导引至孔内，LED光源则通过漫反射和直射两种方式照亮该气缸孔。不同于只能对平面视场进行成像的所谓的“针孔镜头”，专用于孔洞检测的光学镜头，能够对孔的底部和垂直内壁成像（见图2）。

图2：不同于只能对平面视场进行成像的所谓的“针孔镜头”，专用于孔洞检测的光学镜头，能够对孔的底部和垂直内壁成像。从图中可以看到镜头的工作原理（上图），以及AIS Technologies Group提供的气缸涂层检测系统的输出结果（下图）。

孔图像

为了捕获到深度约为135mm的缸体孔内的图像，镜头系统以15mm为增量单位、分九次分段移动来捕获缸体内表面的图像。

Shawky 表示，“尽管镜头系统可以捕获到大约50~90mm圆周宽度的图像，但是采用15mm分段增量法，可确保图像是在最佳焦点位置被捕获，并且图像的像素将保持一致的间距。”

随后，来自镜头系统的图像由Basler公司的piA2400-17gc Pilot彩色工业相机进行数字化处理；该相机基于Sony 500万像素ICX625 CCD图像传感器，帧率为17fps。捕获的图像随即通过相机的GigE接口传输到系统主机，并在那里进行图像分析。为了分析缸体内表面上涂层材料的沉积状况，AIS Technologies Group尝试了许多不同的方法。

“起初，人们认为康耐视公司提供的VisionPro Blob工具包中所包含的blob分析工具，可用于确定图像中像素是否互连，从而衡量斑点的大小，以及任何不合格的涂层材料沉积点的大小和位置。”Shawky分析道，“然而，尽管可以将VisionPro Blob工具包配置为能在指定的灰度范围内查找斑点、并根据给定的标准对其进行过滤，但是很难确定是否存在一个“喷涂斑点”，或者该喷涂斑点是否与不合格的沉积物有关。”

深度学习

幸运的是，2017年康耐视收购了瑞士ViDi Systems公司，这是一家基于深度学习的工业图像分析软件开发商。现在ViDi（重命名为Cognex VisionPro ViDi）软件中的ViDi Red工具可用于监控模式，用于图像被首次展开并拼接起来后，执行异常检测、缺陷检测以及图像分割任务（见图3）。

图3：将图像展开并拼接在一起后，康耐视的VisionPro ViDi工具用于监控模式，以执行异常检测、缺陷检测和图像分割任务。在这种监控模式下，软件不怎么依赖于零部件的配置、类型或图像捕获时的条件。

在这种监控模式下，深度学习软件较少依赖于零部件的配置或类型，或是图像捕获时的条件。然而，处于监控模式下的VisionPro ViDi软件，形成了不同类型缺陷的显式模型，这需要合格样本和不良样本，并用样本对其进行训练。

为了实现这一目标，AIS Technologies Group与其汽车客户展开密切合作，就可能存在的不同喷涂点对系统进行训练。然后使用blob工具对这些喷涂点的类型、大小、位置和距离进行分类。例如，可能存在许多小的喷涂点或少量大的喷涂点，所有的这些喷涂点都被系统识别、并存储在数据库中。

对这些喷涂点进行分类后，发动机缸体被放回到传送带上，然后移至第二个工位；在第二个工位，缸体被重新处理，以确保气缸孔的内表面光滑。之后，在第二个类似的成像站对气缸孔再次成像，并检查孔隙率。

Shawky介绍说：“这样做的目的，就是将喷涂点沉积物与最终加工过程中可能产生的空隙联系起来。”

通过这种方法，可以判断出该孔隙率是由喷涂点的数量产生的，还是由最终的加工工艺产生的。例如，在PTWA过程后进行初始检查，如果孔隙率与检查中所发现的喷涂点的位置和尺寸大小存在直接关联性，则可以将其标记出来，并将其交给操作员调整PTWA过程。或者，如果孔隙率与最终加工过程有关，也可以被标记，并且调整孔加工过程，使其更加有效。

缸体分类

完成两轮检测后，每个发动机缸体被分类为合格或不合格。如果不合格，则通过线性滑块将其移走并放置到一个转盘上，随后通过转盘将其从生产线中移除，随后可以根据需要对其进行重新加工。检测合格的气缸继续被放置到传送带上，进行活塞、气缸盖的组装以及最后的装配工作。

Shawky介绍说，AIS Technologies Group开发的机器视觉检测系统，已经在被一些主流汽车制造商使用。这套价格35万美元的检测系统，能够确保100%检查每个发动机缸体，从而避免了手动切割缸体样品这个耗时的过程，以确定涂层和最终加工过程的有效性。