1.课题来源与立项背景： 课题来源于广东省质量技术监督局科技项目，佛山市南海是中国民用铝型材的发源地，聚集了近140家上规模铝型材企业，年产值达600亿元，同时在佛山境内超过1000家铝合金门窗制品加工企业，佛山已成为全国最大的铝合金型材及门窗制品生产基地，是目前国内铝型材企业最为集中，产业体系最完备和产业配套最成熟的地区。铝型材厂商面临着越来越高的品质控制要求，漆膜附着力作为铝型材品质的重要一环，质检系统也面临着日益增长的漆膜附着力检测需求。目前国内漆膜划格试验的评级是依靠人眼判别的，尚未有机器判别的系统。通常漆膜附着力的测定方法采用GB-T9286-1998标准规定的方法，即在以直角网格图形切割涂层穿透至底材时来评定涂层从底材上脱离的抗性。当前的评级方法是在良好的照明环境下由人仔细观察切割区，在观察过程中转动样板或使用放大镜仔细检查，但由于人对面积的判断并不准确和不稳定，面对越来越高的产品标准，同时人工判断既费时又费力，相关产业需要一套能快速和准确地对试验结果进行评级的“基于高速视觉检测的漆膜划格试验智能评级系统”。

    2. 主要技术内容（总体思路、技术方案、实施效果）： 本项目采用光度立体方法解决图像采集过程浅度划痕信息丢失的问题。首先搭建一个基于数控光源系统的光度立体视觉平台，通过多个不同角度及不同波长的光照获取多张漆膜图像，把漆膜表面三维信息用光度立体视觉方法计算得出，对漆膜表面的细微特征进行三维重构。同时，通过核回归算法实现光度立体计算的加速。 本项目在光度立体重建漆膜三维模型后，用曲率滤波求解变分模型的方法凸显光度立体图像中漆膜表面深度突变的位置，即划痕与掉漆的位置。接着采用多尺度边缘检测方法在曲率滤波图像上检测边缘纹理。最后通过采集并标记大量边缘图像，微调深度卷积神经网CaffeNet的网络参数，训练出不同等级漆膜划格图像的网络模型。训练好的CaffeNet网络模型表征了5个不同等级的漆膜划格特征，可对漆膜边缘图像进行准确自动分类评级。 针对多样品试验评级的高效性实时性问题，本项目采用GPU并行处理实现深度卷积神经网络的加速实现，通过在网络模型训练与检测过程将深度网络CaffeNet的数百万个网络参数加载至GPU各个运算单元，实现加速训练与检测过程网络的前馈后馈过程；同时通过网络修剪、权值量化与哈夫曼编码等网络压缩技术在不影响检测准确率的情况下将CaffeNet网络参数大大减少，进一步提高系统的效率和实时性，给本评级系统赋予现实意义。 实现了标准GB-T9286-1998规定的六个等级评价，自动评级时间<1s，划格脱漆面积识别精度<2%F.S。

    3．主要技术创新点： （1）搭建一个基于数控光源系统的光度立体视觉平台，采集在多个不同角度光照下的漆膜图像，根据漆膜表面法向计算表面三维数据并对漆膜表面的细微特征进行三维重构。同时，通过核回归算法实现光度立体计算的加速，可加速至每帧处理时间少于50ms。 (2)采用多尺度边缘检测方法在光度立体合成图像上凸显漆膜划格，通过采集并标记大量边缘图像，微调深度卷积神经网CaffeNet的网络参数，训练出漆膜划格图像不同等级的网络模型，最后利用训练好的CaffeNet网络模型对漆膜边缘图像进行自动分类评级，分类准确率达到99%以上。 （3）针对多样品试验评级的高效性的关键问题开展研究开发，在对网络进行深度压缩的基础上再采用GPU并行处理实现深度卷积神经网络的加速实现，通过将深度网络CaffeNet的数百万个网络参数压缩后加载至GPU各个运算单元，加速网络的前馈后馈过程，将训练和检测速度提升10倍以上，大大提高系统的效率。  

    4．应用情况： 自“基于高速视觉检测的漆膜划格试验智能评级系统”研发成功后，该系统在佛山市质量计量监督检测中心和佛山部分铝型材企业（如广东季华铝业有限公司、广东中联铝业有限公司、广东金协成铝有限公司等等）推广使用，使用后企业反馈信息如下：广东季华铝业有限公司认为使用该系统，检验速度比人工快，能降低检验人员的劳动强度，提高工作效率，结果重现性好，检测结果与采用GB/T9286-1998《色漆和清漆 划格试验》方法结果相符；广东中联铝业有限公司认为该检验系统能提高漆膜涂层附着力检验的效率和准确度，减少人为误差，重现性好，结果准确，为有利于生产企业及时掌握铝型材成品表面质量，具有较高的实用性等。        

    总体来说，采用该系统进行漆膜划格试验，可提高了工作效率，减少人工带来的误差，实现试验过程的精确性和稳定性, 该检测方法上与国际接轨，智能评级方面更领先于国内、外同类检测设备，该系统有望成为今后该类检测设备的升级换代产品，同时，该系统的应用，为佛山市质量计量监督检测中心提高检验效率，增加业务量，2019-2020年实现了92.81万元的经济效益。新增利润16.4万元，新增税收8.6万元。