Page 68 - 2023中国无损检测年度报告
P. 68
2023 ࠛ௨ចय़ˮڥQGWખ˘ᛸˡԾࡰᤠቅ ࠛ௨ចय़ˮڥQGWખ˘ᛸˡԾࡰᤠቅ 2023
⚥㕂偽䰀唬崵䎃䏞䫣デ ⚥㕂偽䰀唬崵䎃䏞䫣デ
的损伤函数有交叉熵损伤、Dice 损伤等。模型评 针对多种航空装备及民用产品缺陷检测工程
估是计算已训练好模型的准确率、召回率等指标， 实际需求，智能检测团队在图像处理和缺陷检测
评估模型性能。预测和应用是语义分割最终目的。 识别技术研究基础上，深入开展相关智能检测识
别软硬件系统研发与工程化应用研究，取得了一
系列实用成果。
3.1 航空发动机叶片壁厚自动测量软件
(a) 原始视觉检测图像
针对航空发动机叶片批量化生产阶段壁厚测
量问题，团队研发了一套基于航空发动机叶片 CT
(b) 焊缝语义分割 检测图像的壁厚自动测量软件，有效解决了传统
图 7 典型激光焊缝语义分割结果 人工壁厚测量过程中存在的测量效率低、可靠性
2.2.4 实例分割 不高以及受人工经验限制等难点问题。
实例分割发展相对较晚，其模型主要基于深 图 9 给出了航空发动机叶片壁厚自动测量软
度学习技术。实例分割不仅要将输入图像中的目 件界面。该软件具有 CT 数据读取、叶片拆分、
标检测出来，还要对目标每个像素分配类别标签。 叶片局部区域提取、二值化处理、边界提取、壁
相对与目标检测的边框而言，实例分割可精确到 厚测量、测试报告生成等功能。通过大量发动机
物体的边缘；相对于语义分割而言，实例分割需 叶片壁厚测试表明，该软件可批量化快速实现发
要标注出图上同一个物体的不同个体。因此，实 动机叶片指定位置壁厚精确测量，其壁厚测量误
例分割可以说是目标检测和语义分割的结合。 差可控制在 ±0.05 mm 内。目前，该软件已成
功应用于发动机叶片 CT 检测数据分析处理，显
随着深度学习技术的发展，实例分割相继
出现了 DeepMask、Mask R-CNN、Cascade 著提高了叶片壁厚测量效率与质量。
Mask R-CNN、HTC 等方法，其分割精度和效
率逐渐提升。实例分割可分为两种技术路线：一
种是自上而下的实例分割，通过目标检测的方法
找出实例所在的区域，再在检测框内进行语义分
割，每个分割结果都作为不同的实例输出，即先
检测后分割；另一种是自下而上的实例分割，首
先进行像素级别的语义分割，再通过聚类、度量
学习等手段区分不同的实例。图 8 给出了典型铸 图 9 航空发动机叶片壁厚自动测量软件界面
件缺陷实例分割结果。 3.2 铸件缺陷智能检测评价软件
目前，在大批量产品缺陷识别、数据分析过
程中，普遍存在缺乏快捷高效、智能的检测软件
工具，检测效率低以及误检漏检频发等问题。基
于以上市场化需求，智能检测团队研发了一套基
于深度学习的缺陷智能检测评价软件，其界面如
图 10 所示。
图 8 典型铸件缺陷实例分割结果
3 智能检测系统研发与应用 (a) 模型训练端
58
