Page 115 - 无损检测2024年第十一期

王振宇，等：

飞机装配过程错漏装检测技术研究进展

算法。该算法以模板匹配方法为基础，通过图像预 标变换绘制其灰度值分布的波形图，再通过对比标
处理和区域分割得到待测组件轮廓区域，通过最小 准件与缺陷件的波形图，实现滚子的倒装、漏装缺陷
二乘法拟合得到内圈内轮廓的圆心坐标，并展开滚 的准确检测。采用该算法的圆锥轴承滚子的几何特
子分布的环带区域，以区域中线为特征信息，通过坐 征提取结果如图5所示。

图 5 基于圆锥滚子轴承灰度值的几何特征提取
浙江大学李静寅 [21] 采用分数阶差分算法优化 内外学者对于基于机器学习的错漏装检测技术进行
Canny算法，设计了优化的错漏装检测图像定位匹 了进一步研究。RIO-TORTO等 [23] 基于机器学习的
配算法，采用机器视觉实时采集待检测区域的装配 方法将最新的领域自适应和伪标注方法应用于实际
图像，通过角度偏差检测算法，在与标准模板匹配时 装配场景，以弥合车辆生成器生成的标注数据与工
显示出待测物体的位置、角度、比例及匹配值等信 厂底层采集的实际未标注数据之间的差距。WU等 [24]
息，以此对多媒体导航仪内的错漏装问题进行检测， 将机器视觉与机器学习相结合，研究了一种基于支
检测精度可达98. 18%。 持向量机（Support vector machines，SVM）的产品错
模板匹配方法的优点在于简单直观，容易实现。 装检测方法，该方法先通过图像处理技术对产品进
其适用于检测相对简单的错漏装情况，且特征提取 行缺陷类型识别，再利用SVM训练集匹配结果提高
依赖于算法设计人员的经验和水平，每种方法都只 识别速度和准确性。
针对固定场景，因此模板匹配方法存在一定的局限 机器学习方法在错漏装检测中具有一定的优
性；再加上其对光照、尺度、旋转等因素变化敏感， 势。该方法可以自动学习错漏装的特征和模式，无
对于复杂场景和变化较大的目标可能表现不佳。此 需手动定义规则。此外，机器学习方法还可以适应
外，模板匹配方法通常需要成本较高的计算资源和 复杂场景和变化较大的目标，具有较好的鲁棒性和
时间，尤其是在大规模图像数据的匹配中。因此，在 准确性。然而，机器学习方法也需要充足的训练样
实际应用中，对于更复杂的错漏装检测任务，通常需 本和特征设计的合理性。同时，数据的质量和多样
要结合其他方法，如机器学习和深度学习，来提高检 性也对机器学习方法的性能有重要影响。因此，在
测的准确性和鲁棒性。 应用机器学习进行错漏装检测时，需要仔细设计和
2.3 基于机器学习的错漏装检测技术 选择特征，并确保训练数据集的充分性和代表性。
基于机器学习的飞机错漏装检测技术利用机器 2.4 基于深度学习的错漏装检测技术
学习算法和模型来检测飞机装配过程中可能出现的 基于深度学习的物体表面缺陷检测方法是一种
错误和缺陷。相比传统的基于模板匹配的方法，该 端对端的检测方法，其通过构建深度神经网络模型，
技术可以从大量的数据中学习并自动提取特征和模 自动学习图像中的特征表示和模式，较人为设计规
式，以实现更准确的检测和判断 [22] 。 则更能准确地表述和理解缺陷信息，从而实现高效
随着机器学习在目标检测领域的广泛应用，国 准确的错漏装检测。

77
2024 年 第 46 卷 第 11 期
无损检测