Page 122 - 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

新兴技术的应用和普及必然是一个机遇与挑战并存 [ J ] . 中国图象图形学报, 2017 , 22 ( 12 ): 1640-1663.
的发展过程, 对于飞机结构而言, 机体结构表面存在 [ 7 ] 余冬, 冯云浩, 李根池, 等. 机器视觉在医疗器械检测
大量铆钉、 拐角和多细节复杂结构区, 加之光线条 中的应用与展望[ J ] . 中国医疗器械信息, 2015 , 21
件、 试验加载和偶发震动等不利因素的影响, 机器视 ( 8 ): 57-59 , 63.
[ 8 ] 王春波, 张卫东, 张文渊, 等. 复杂交通环境中车辆的
觉技术在飞机结构损伤检测领域的成熟应用还有以
视觉检测 [ J ] . 上 海 交 通 大 学 学 报, 2000 , 34 ( 12 ):
下关键问题需要解决。
1680-1682 , 1686.

( 1 )微观裂纹的检测能力有待提高。在结构损
[ 9 ] 周马莉. 基于视觉的无人驾驶车前方车辆检测方法研
伤早期, 结构表面初始裂纹的尺寸很小, 存在视觉特
究与实现[ D ] . 南京: 南京理工大学, 2018.
征较弱、 裂纹与背景之间对比度低、 收集到的裂纹图 [ 10 ] 范壮. 机械零件尺寸视觉检测系统的研究[ D ] . 哈尔
像信息少等问题。采用常规的视觉检测技术很难实 滨: 哈尔滨工业大学, 2006.
现百微米量级微小裂纹的及时有效检出, 容易出现 [ 11 ] 欧阳奇, 张兴兰, 陈登福, 等. 高温连铸坯表面缺陷的
误检和漏检的情况。 机器视觉无损检测[ J ] . 重庆大学学报( 自然科学版),
( 2 )损伤数据库有待进一步扩充。在裂纹检测 2007 , 30 ( 11 ): 27-31.

[ 12 ] 张洪涛, 段发阶, 丁克勤, 等. 钢板表面缺陷在线视觉
算法的实际飞机结构检测应用中, 部分场景本身存
检测系统研究[ J ] . 传感技术学报, 2007 , 20 ( 8 ): 1899-
在的裂纹数目少, 而且裂纹数据标注工作量极大, 导
1902.
致现有飞机结构损伤数据库体量偏少, 很难有效支
[ 13 ] 廖水碧, 肖明富. 金属制品表面质量缺陷无损检测的
撑智能视觉检测中深度学习模型的训练和优化, 检
研究现状与展望[ J ] . 中国冶金, 2007 , 17 ( 3 ): 48-51.
测系统的泛化能力和检测精度较差。
[ 14 ] VANLANDUITS , GUILLAUMEP , SCHOUKENS

( 3 )实际应用中的实时检测问题有待解决。相
J.Broadband vibration measurements usin g a

比于传统图像处理或机器学习算法, 现有智能视觉 continuousl y scannin g laser vibrometer [ J ] .

检测系统的损伤检测算法大多采用全卷积操作, 计 MeasurementScienceandTechnolo gy , 2002 , 13 ( 10 ):

算量较大, 需要足够的硬件资源作为支撑。 1574-1582.

[ 15 ] VINCITORIOF , BAHUER L , FIORUCCIM P , et
参考文献: al.Im p rovementofcrackdetectiononrou g hmaterials

b ydi g italholo g ra p hicinterferometr y incombination
[ 1 ] 肖洒. 基于机器视觉的图像测量系统的设计与实现

withnon-uniformthermalloads [ J ] .O p tik , 2018 , 163 :

[ D ] . 西安: 西安电子科技大学, 2020.
43-48.
[ 2 ] 宋春华, 彭泫知. 机器视觉研究与发展综述[ J ] . 装备
[ 16 ] 高红俐, 朱亚伦, 郑欢斌, 等. 机器视觉疲劳裂纹扩展
制造技术, 2019 ( 6 ): 213-216.
试验裂纹测量系统标定方法[ J ] . 浙江工业大学学报,

[ 3 ] DECOST B L , JAIN H , ROLLETT A D , etal.
2017 , 45 ( 1 ): 99-103.

Com p uter vision and machine learnin g for [ 17 ] 郭亚萍, 顾智聪, 彭宏京.Se g Net在工件表面缺陷检

autonomous characterization of AM p owder
测中的应用[ J ] . 计算机工程与设计, 2019 , 40 ( 10 ):
feedstocks [ J ] .JOM , 2017 , 69 ( 3 ): 456-465.
2979-2984.

[ 4 ] WANGS , XUJF , WANGFZ , etal.Identification
[ 18 ] DENGJY , ZHANG W H , YANGX M.Reco g nition

anddetection ofsurfacedefectsofouterp acka g e
andclassificationofinci p ientcablefailuresbasedon

p rintedmatterbasedonmachinevision [ J ] .Journalof
variationalmodedecom p ositionandaconvolutional

KoreaTechnicalAssociationofthePul pandPa p er
neuralnetwork [ J ] .Ener g ies , 2019 , 12 ( 10 ): 2005.
Industr y , 2020 , 52 ( 2 ): 3-11. [ 19 ] 冉蓉, 徐兴华, 邱少华, 等. 基于深度卷积神经网络的

[ 5 ] MOHAN A , POOBAL S.Crack detection usin g
裂纹检测方法综述[ J ] . 计算机工程与应用, 2021 , 57

ima g ep rocessin g : acriticalreviewandanal y sis [ J ] .
( 9 ): 23-35.

AlexandriaEn g ineerin gJournal , 2018 , 57 ( 2 ): 787- [ 20 ] 李良福, 马卫飞, 李丽, 等. 基于深度学习的桥梁裂缝
798.
检测算法研究[ J ] . 自动化学报, 2019 , 45 ( 9 ): 1727-
[ 6 ] 汤勃, 孔建益, 伍世虔. 机器视觉表面缺陷检测综述
1742.
0
8

2021年 第43卷 第10期
无损检测