Page 121 - 无损检测2021年第十期

张 伟, 等:

机器视觉在飞机结构损伤检测中的应用进展与展望

于变分模式相结合的裂纹检测方法, 解决了电缆早 状、 大小及其位置等进行判断; 与基于图像分类的方
期裂纹的检测问题。根据处理表面裂纹检测问题方 法相比, 基于目标检测的裂纹检测方法的识别精度
式的不同, 基于深度学习的智能视觉检测技术( 见图 和粒度大幅度提高, 但裂纹的大小及纹理等重要信
6 ) 可分为基于图像分类、 基于目标检测和基于像素 息仍然无法得到; 基于像素级分割方法是3类方法
级分割方法 3 大类 [ 19 ] 。基于图像分类的方法能够 中精度最高的, 通过对输入图像中的每个像素点都
很好地避免原始图像分辨率低、 质量差的影响, 但此 划分相对应的类别, 既可对目标进行分类, 又可得到
类方法只能做到有无裂纹的分类, 无法对裂纹的形 裂纹的精确位置和结构。

图6 典型智能视觉检测技术

对于结构损伤检测, 特别是飞机结构损伤检测,
不仅关注损伤的有无, 还要求对损伤的大小和位置
进行精确测量, 因此采用基于像素级分割的深度学
习算法是最为合适的。目前, 此类方法已被用于道
路、 桥梁和飞机结构裂纹的视觉检测。针对背景纹
理较复杂, 噪声干扰大且分布无规律的裂纹图像, 李
良福等 [ 20 ] 提出的与滑动窗口算法相结合的基于卷
积神经网络的深度桥梁裂纹分类( DBCC ) 模型, 可
用于桥梁背景面元和桥梁裂纹面元的识别, 通过添
加局部响应值归一层和概率区分阈值, 在一定程度
上避免了图像亮度不均匀和噪声所带来的误检与漏
检问题。为实现疲劳试验中飞机结构裂纹损伤的快
速识别检测, 笔者单位提出了一种改进的全卷积网 图7 改进的全卷积网络模型可视化结果
络( FCN ) 模型, 网络模型的可视化结果如图7所示, 缘处预测结果不理想也是目前分割任务普遍存在
该模型采用类似 U-Net的编码器 - 解码器结构, 以 的问题, 原因主要有网络的下采样过多, 原始标签
ResNet-34为骨干( 在Ima g eNet 数据集上预训练)。 不准确, 缺乏边缘保持策略等。
模型对原始的 ResNet-34做了两处修改, 使其能够
3 结语与展望
适应目标提取的像素级预测任务, 删除了 ResNet-
34中的平均池化和全连接层, 删除了最后一个残差 在计算机科学和高性能硬件设备的驱动下, 机
块, 因此最终的特征图大小为输入图像的 1 / 16 , 器视觉技术得到了前所未有的发展, 笔者在简要梳
Dblock模块主要由级联和并联模式的扩张卷积组 理国内外机器视觉技术发展历程的基础上, 重点综
成, 进一步扩大了神经网络的感受野。基于试验采 述了机器视觉技术在结构损伤检测中的研究成果和
集到的34张图像进行验证, 从可视化结果来看, 深 应用进展。总体而言, 机器视觉技术已成为结构损
度学习模型能够准确提取和识别出裂纹损伤, 损伤 伤检测领域最具潜力的发展方向之一, 特别是在人
识别准确率已达到 90% 以上, 但是裂纹在边缘处 工智能技术的推动下, 智能视觉技术有望大规模替
有明显外扩, 即存在图像过分割现象。在裂纹边 代人工目视, 用于结构表面损伤的快速精细化检测。
9
7
2021年 第43卷 第10期
无损检测