Page 117 - 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

表2 基于人工智能算法的质量检测方法对比
文献 年份 模型 方法特点 数据集 召回率 准确率
采用了领域自适应和未标记技术，将半监督对象检
[23] 2022 Detectron2+ResNeXt-50 自构数据集 0.899 0.823
测应用于质量控制领域
通过图像处理的缺陷检测方法（GLCM）提取灰度
[24] 2019 GLCM-SVM 自构数据集 — 0.980
特征值，使用SVM作为多维度的分类器检测产品缺陷
在OCM算法基础上提出了基于梯度压缩的方法
[26] 2020 ROCM-SNN D-Textureless 0.972 0.965
（ROCM），再集成SNN用于目标检测
修改了YOLOV3的损失函数，剔除了分类计算，
[27] 2022 修改的YOLOV3 自构数据集 — —
增加了物体检测权重，集成VGG19网络进行分类
将VAEs应用到自动化生产线， 对比了CS-Flow，
[28] 2022 VAEs 自构数据集 — 0.864
通过各方面性能指标验证了VAEs的可靠性
提出了行业检测和分类检测的深度学习框架，验证
[29] 2023 CNN 了hybrid作为检测头的可靠性，证实了分类检测中采 自构数据集 0.99 0.999
用VGG作为预训练深度学习模型具有最佳效果
ECSSD 0.80 0.89
MSRA-B 0.79 0.78
ResNet-G提取原始图像全局特征，ResNet-L提取 PASCAL-S 0.83 0.81
[30] 2018 SOD-LGDRN
局部特征补充全局信息 ASD 0.92 0.87
SED1 0.89 0.86
THUR15K 0.86 0.85
PASCAL
DES基于SSD提出语义分割分支， 用强语义信息 VOC 2007 0.843
[31] 2018 DES — 0.837
增强特征图提高物体检测特征图的语义信息量 VOC2012
0.283
MS COCO
PASCAL
通过将IoU概念扩展到非重叠情况来解决检测任 0.469
[32] 2019 GIoU VOC 2007 —
务中没有重叠部分时IoU无法直接优化的问题 0.325
MS COCO
Skip-GANomaly 使用质量检测案例评估了三种无监督模型的检测
[33] 2023 PaDiM 性能，证实了无监督模型可以对物体的整体质量进行 自构数据库 — 0.996
PatchCore 一般评估
因素，为了及时纠正错误，系统需要在实时或接近实
时的条件下进行检测和反馈。因此，探索更高效的
算法和计算平台亦是未来的一个研究方向。
综上分析，文章绘制了飞机装配错漏装检测技
术未来的发展方向，如图8所示，主要包括以下几方
面内容。
（1）多模态数据融合。结合使用图像、深度信
息和其他传感器数据进行装配检测，提高系统的鲁
棒性和准确性。
（2）大模型与知识图谱。进一步优化深度学习
算法，结合大模型技术将多种深度学习检测算法的
优点相融合，同时引入知识图谱技术 [34] ，设计更高效
和准确的网络架构，以提高检测性能。
（3）强化学习与自主决策。结合强化学习和自
主决策技术，使机器能够在装配过程中自主学习和 图 8 飞机装配错漏装检测技术的未来发展
决策，使系统能够匹配多种数据结构并能够面向用 实现实时或接近实时的错漏装检测和反馈。同时，
户输出多种装配检测结果及建议，进一步提高错误 结合虚拟现实、增强现实、3D影像生成和数字孪生
检测和纠正的能力。 等先进技术，向用户输出多模态可视化结果，有效降
（4）实时和可视化结果输出。针对实时性要求， 低检测过程中的人为因素干扰，提高效率的同时降
未来的研究可以探索更高效的算法和计算平台，以 低错检率。

79
2024 年 第 46 卷 第 11 期
无损检测