Page 116 - 无损检测2024年第十一期
P. 116
王振宇，等：
飞机装配过程错漏装检测技术研究进展
对于错漏装检测任务，可以使用深度学习模型
进行分类或分割。在分类问题中，模型学习从图像
中提取特征，并将其映射到正确或错误装配的类别
中；在分割问题中，模型学习对图像进行像素级别的
标记，将每个像素分为正确或错误装配的区域 [25] 。
彭 茂庭 [26] 提出了一种基于模板匹配及神经
网络的目标检测算法ROCM-SNN，该算法是对
模 板 匹配算法 OCM 的改进，与 SIFT、LINE2D、
BOLD、BORDER、OCM-DRW等目标检测算法相
比，ROCM-SNN的目标检测准确度最高。各算法
在D-Textureless数据库中对应的ROC曲线如图 6 图 7 缺陷检测深度学习模型框架
所示。 种广义交叉并集思想（Generalized intersection over
union，GIoU），解决了检测任务中没有重叠部分时
IoU无法直接优化的问题。ZIPFEL等 [33] 研究了基
于深度神经网络的无监督模型，其可以对物体的整
体质量进行一般评估而不局限于固定的类别集。上
述不同机器学习和深度学习模型算法的特点对比如
表2所示。
深度学习方法在错漏装检测中具有以下优势：
能够自动学习大量图像数据中的复杂特征和模式，
无需手动设计特征；深度学习模型具有较强的泛化
能力，可以适应不同场景和变化条件下的错漏装检
测任务；使用大规模的训练数据和合适的网络结构，
图 6 各算法在 D-Textureless 数据库中对应的 ROC 曲线 深度学习模型可以实现较高的准确性和自适应性。
电子科技大学杨冬 [27] 结合模板匹配和深度学习 然而，深度学习方法也面临一些挑战。其需要大量
的技术，研究了一种智能检测装配过程的方法，该方 的标注数据来训练和优化深度学习模型，且训练过
法将优化的YOLO模型与VGG19 模型集成，实现 程通常需要较长的时间和更强大的计算资源。此外，
增强的目标检测网络，通过图像特征点实现了图像 深度学习模型的解释性较低，很难解释模型是如何
拼接和模板匹配。MAACK等 [28] 通过深度学习的方 做出错漏装判断的。
法，采用异常检测（Anomaly detection，AD）模型和
3 飞机装配错漏装检测技术的挑战与发展
归一化流程对图像数据进行异常检测和异常定位。
KOVILPILLAI等 [29] 提出了一种基于深度学习的机 尽管飞机错漏装检测技术在国内已经取得了一
器视觉方法，用于自动检测和分类制造业生产线上的 些进展，但仍然需要面对一系列挑战并随着人工智
缺陷产品，通过优化激活函数对缺陷产品进行识别和 能技术的发展而持续改进。飞机装配过程涵盖了多
分类，其深度学习模型由16层卷积 （3×3）、最大池化 个环节和组件，每个环节可能需要采用不同的装配
（Max pooling）和重激活函数（Relu-activation function） 方式和零部件，从而进一步增加了对检测算法的复
连接的32层组，该深度学习模型框架如图7所示。 杂性和适应性的要求。故，需要高效的数据处理和
ZHU等 [30] 使用深度残差网络（ResNet-G，ResNet-L） 存储技术，以及快速准确的检测算法来处理飞机装
来提取目标物体的特征信息，通过贝叶斯方法将这些 配过程中产生的大量图像和视频数据。此外，实际
信息融合，解决了由图像分割引起的噪声问题。 装配环境中光照条件和视角的变化可能对图像质量
ZHANG等 [31] 提出了一种利用语义特征的目 和检测算法的性能产生影响，因此克服光照和视角
标检测方法，以解决SSD算法在准确检测小目标物 变化对算法鲁棒性的挑战也成为一个重要任务。同
体方面的局限性。REZATOFIGHI等 [32] 提出了一 时，在装配过程的错漏装检测中，实时性是一个关键
78
2024 年 第 46 卷 第 11 期
无损检测
