摘要：一般来说，在汽车行驶系统当中最为重要的一部分就是汽车车架，在以往几十年中，部分大型汽车车架的检测都很难实现完全自动化的操作。本篇论文主要以商用汽车车架的非接触在线监测的具体应用为研究内容，并且在这个基础上提出了较为完善的检测方法。

    1 视觉检测算法的研究现状
    如果是站在算法的角度上来看的话，那么视觉对工件的检测所涉及到的基础内容就应该分为图像处理，这也是其中绝大多数的基础内容，当然，一些比较具体的实现算法主要包括以下几种。即，图像增强、图像分割、形状分析等等。通过对底层图像像素数据的特征描述数据进行分析我们得出，要想进行模式识别，那么就必须经过模式分类器完成相关的目的，之后才能进行关键部分的检出判断。
    1.1目标提取
    在进行工件测量时，我们首先需要做到的第一步操作就是对目标图像进行提取，而将工件上对应的有用像素点和背景进行分离，方便后续对目标进行分析就是目标提取当中最为主要的目的。通常情况下，Rol检测、背景校正、图像增强等等都属于目标图像提取算法中的主要方法。
    拿Rol检测举例来说，这种方法实际上就是将数据进行具体的划分，从另一个方面来看的话，那就是对数据进行降维。要想完美的对处理时间进行降低，那么我们就必须对目标出现的可预测区进行提出，这些数据需要从原始采集图像数据中进行提出，因为这样可以有效的对数据的处理量进行减少，从而实现相关的目的。另外在线结构光辅助测量当中，在整个图像当中，其图像的有效区域仅占据10％以下，所以在这种情况下，对提高测量效率来说是有着非常重要的作用的。其次，在进行Rol检测环节时，求解闭值法就是最常采用的方法之一。但有些时候，为了有效的降低噪声点对结果造成影响，我们就可以在进行二值化切割之前进行一次平滑算子。
    现阶段，在视觉检测系统应用中存在的一大问题就是光照均匀性，尤其是在在线监测系统当中，这个问题尤为严重。简单来说，图像灰度的分布会由于光照的均匀性而受到一定的影响。通常情况下，造成非均匀性产生的因素主要有以下几种，物体或者背景的各区反射、散射的差异等等，这些因素都会对图像的成像效果造成极为严重的影响，特别是在大视场当中，广场不均匀性就会变得更加明显。为了有效的避免上述问题的产生，我们必须采取校正算法来对这些问题进行解决。目前在进行背景校正时，最常采用的算法就是两点校正法以及乘法系数修正法。
    1.2数据处理
    在机器视觉当中，不仅要具备图像数据获取的过程，同时还要有转变为实际数据的过程。从另一个方面来说就是，机器视觉当中必须具备视和觉两个过程。一般在进行觉的过程中，主要需要通过图像处理算法来对其进行实现。在传统的图像处理技术当中，其主要的处理技术就是通过对人结合相关行业经验，从而获取到相应的影响，之后再进行适当的分析研究，但是机器视觉却与其有着很大的差异，它在对图像进行分析处理的过程时，主要是使用计算机来自动进行的，以此来获取一个可供机器识别的结果。

    2 基于机器视觉的大尺寸工件测量方法
    虽然现阶段的机器视觉的基础测量方法已经变得更加成熟，但是在进行很多大型工件测量时，仍然存在较多的局限，如测量精度的限制等。
    现在国内外对于相关测量的方法已经有很多种，最为主要的就是激光干涉仪法、平台高度尺法等。但通过适当的分析我们发现，这些方法都存在一定的测量盲区。而且对于一些特征，这些方法无法进行准确的测量，所以在进行大型工件测量时，这些方法并不合适。

    3 结束语
    综上所述我们可以看出，作为汽车行驶系统中最为重要的组成部分，商用汽车车架起到的作用是至关重要的，它不仅承受着汽车的总体重量，同时还是汽车当中最为主要的承载结构件。