機器視覺和深度學習技術相結合，實現了發動機氣缸內涂層均勻性的自動化檢測。

作為內燃機的主要部件，壓鑄氣缸體是整個發動機結構的支撐，它包含一些鏜孔，每個鏜孔用于安裝其他部件。其中缸體中直徑較大的一個鏜孔用于安裝活塞。當活塞被安裝后，其通過連桿將推力傳遞到曲軸。

在過去，需要在缸體內配置一個氣缸襯套來容納活塞。這會導致發動機更重、鏜孔更小。現在，通過部署美國Flame-SprayIndustries公司發明的線材等離子電弧噴涂（PTWA）技術，消除了這種復雜的裝配過程。

在PTWA過程中，將耐磨涂層噴涂到發動機缸體鏜孔的內表面上。這樣缸體內就不需要增加氣缸襯套，從而讓發動機的鏜孔更大，這樣就可以使用更大的進氣閥，使發動機動力更強。

工業自動化專家和系統集成公司AISTechnologiesGroup的首席視覺專家AhmadShawky表示，“在涂覆了這種鐵質耐磨涂層后，必須檢查氣缸鏜孔，以確保PTWA過程使得鏜孔內壁被均勻涂覆。”

由于PTWA過程可能會在缸體內壁殘留涂層材料的沉積物（或稱為“噴涂點”），因此必須對噴涂結果進行檢測，以確保噴涂點的數量、寬度、長度和位置都在制造商設定的公差范圍內。

在引入和部署機器視覺系統來完成這項任務之前，需要從生產線上取出單體發動機缸體（可能每種產品需要取一個），然后將缸體切開，進而檢查缸體鏜孔內壁是否存在不合格的噴涂點。

“毫無疑問，”Shawky解釋道，“這是一項費時費力的工作，并且不能保證對每個發動機缸體進行檢測。”

成像系統

為了解決這個問題，Shawky和他的同事為這項任務開發了一套自動化檢測系統，同時還提供了操作員可輕松掌握的圖形化用戶界面和檢測結果。

在使用PTWA過程對發動機缸體進行涂層后，發動機缸體沿著傳送帶進入到成像站。由于發動機缸體在傳送帶上處于移動狀態，因此必須將缸體從傳送帶上取下、并使其保持在一個穩定的位置，以方便機器視覺系統對缸體進行成像。為了將每個缸體從傳送帶上取出，系統使用了由伺服電機驅動的多個線性滑塊來抓取缸體，其中伺服電機由PLC控制。

當發動機缸體被移動到一個穩定的位置后，使用機器視覺系統檢測發動機缸體的內壁。該成像系統可以在兩種不同的配置下工作。第一種配置方法是使用定制的二次光學元件對缸體內壁進行檢測（見圖1）。

圖1：AISTechnologiesGroup提供的氣缸涂層檢測系統，在配置中采用了一個定制的二次光學元件，對氣缸的噴涂內壁進行成像。

第二種配置方法基于OptoEngineering公司開發的“孔檢測”光學鏡頭，該透鏡專門用于對物體的垂直壁進行成像。

系統的照明使用的是CCSAmerica公司的紅光LED環形漫射燈，安裝在透鏡系統上方大約4英寸處，這種直接/鏡面照明用于顯示高反射缸體表面上的任何變形。隨著透鏡系統通過線性滑塊導引至孔內，LED光源則通過漫反射和直射兩種方式照亮該氣缸孔。不同于只能對平面視場進行成像的所謂的“針孔鏡頭”，專用于孔洞檢測的光學鏡頭，能夠對孔的底部和垂直內壁成像（見圖2）。

圖2：不同于只能對平面視場進行成像的所謂的“針孔鏡頭”，專用于孔洞檢測的光學鏡頭，能夠對孔的底部和垂直內壁成像。從圖中可以看到鏡頭的工作原理（上圖），以及AISTechnologiesGroup提供的氣缸涂層檢測系統的輸出結果（下圖）。

孔圖像

為了捕獲到深度約為135mm的缸體孔內的圖像，鏡頭系統以15mm為增量單位、分九次分段移動來捕獲缸體內表面的圖像。

Shawky表示，“盡管鏡頭系統可以捕獲到大約50~90mm圓周寬度的圖像，但是采用15mm分段增量法，可確保圖像是在最佳焦點位置被捕獲，并且圖像的像素將保持一致的間距。”

隨后，來自鏡頭系統的圖像由Basler公司的piA2400-17gcPilot彩色工業相機進行數字化處理；該相機基于Sony500萬像素ICX625CCD圖像傳感器，幀率為17fps。捕獲的圖像隨即通過相機的GigE接口傳輸到系統主機，并在那里進行圖像分析。為了分析缸體內表面上涂層材料的沉積狀況，AISTechnologiesGroup嘗試了許多不同的方法。

“起初，人們認為康耐視公司提供的VisionProBlob工具包中所包含的blob分析工具，可用于確定圖像中像素是否互連，從而衡量斑點的大小，以及任何不合格的涂層材料沉積點的大小和位置。”Shawky分析道，“然而，盡管可以將VisionProBlob工具包配置為能在指定的灰度范圍內查找斑點、并根據給定的標準對其進行過濾，但是很難確定是否存在一個“噴涂斑點”，或者該噴涂斑點是否與不合格的沉積物有關。”

深度學習

幸運的是，2017年康耐視收購了瑞士ViDiSystems公司，這是一家基于深度學習的工業圖像分析軟件開發商。現在ViDi（重命名為CognexVisionProViDi）軟件中的ViDiRed工具可用于監控模式，用于圖像被首次展開并拼接起來后，執行異常檢測、缺陷檢測以及圖像分割任務（見圖3）。

圖3：將圖像展開并拼接在一起后，康耐視的VisionProViDi工具用于監控模式，以執行異常檢測、缺陷檢測和圖像分割任務。在這種監控模式下，軟件不怎么依賴于零部件的配置、類型或圖像捕獲時的條件。

在這種監控模式下，深度學習軟件較少依賴于零部件的配置或類型，或是圖像捕獲時的條件。然而，處于監控模式下的VisionProViDi軟件，形成了不同類型缺陷的顯式模型，這需要合格樣本和不良樣本，并用樣本對其進行訓練。

為了實現這一目標，AISTechnologiesGroup與其汽車客戶展開密切合作，就可能存在的不同噴涂點對系統進行訓練。然后使用blob工具對這些噴涂點的類型、大小、位置和距離進行分類。例如，可能存在許多小的噴涂點或少量大的噴涂點，所有的這些噴涂點都被系統識別、并存儲在數據庫中。

對這些噴涂點進行分類后，發動機缸體被放回到傳送帶上，然后移至第二個工位；在第二個工位，缸體被重新處理，以確保氣缸孔的內表面光滑。之后，在第二個類似的成像站對氣缸孔再次成像，并檢查孔隙率。

Shawky介紹說：“這樣做的目的，就是將噴涂點沉積物與最終加工過程中可能產生的空隙聯系起來。”

通過這種方法，可以判斷出該孔隙率是由噴涂點的數量產生的，還是由最終的加工工藝產生的。例如，在PTWA過程后進行初始檢查，如果孔隙率與檢查中所發現的噴涂點的位置和尺寸大小存在直接關聯性，則可以將其標記出來，并將其交給操作員調整PTWA過程。或者，如果孔隙率與最終加工過程有關，也可以被標記，并且調整孔加工過程，使其更加有效。

完成兩輪檢測后，每個發動機缸體被分類為合格或不合格。如果不合格，則通過線性滑塊將其移走并放置到一個轉盤上，隨后通過轉盤將其從生產線中移除，隨后可以根據需要對其進行重新加工。檢測合格的氣缸繼續被放置到傳送帶上，進行活塞、氣缸蓋的組裝以及最后的裝配工作。

Shawky介紹說，AISTechnologiesGroup開發的機器視覺檢測系統，已經在被一些主流汽車制造商使用。這套價格35萬美元的檢測系統，能夠確保100%檢查每個發動機缸體，從而避免了手動切割缸體樣品這個耗時的過程，以確定涂層和最終加工過程的有效性。