基于機器視覺的固體火箭發(fā)動機噴管喉徑測量方法①

孫旭陽,沈 飛,謝俊彥

(西安航天動力測控技術研究所,西安 710025)

0 引言

固體火箭發(fā)動機具備結構簡單、工作可靠、推重比高、啟動迅速、低成本、長期貯存等優(yōu)點,尤其在降低重力損失和提升質量比方面具有明顯優(yōu)勢,不僅可提升運載能力,還可有效降低系統(tǒng)復雜性[1-6]。因此,固體火箭發(fā)動機在航天、軍事等領域有著廣泛的應用和重要的地位。

對于固體火箭發(fā)動機,噴管是其重要的組成部分之一,主要完成熱能到動能之間的轉換。在固體火箭發(fā)動機的運行過程中,其噴管內流動的高溫燃氣工質含有一定量的熔融態(tài)顆粒,當燃氣流過噴管喉部時,將對其壁面造成急劇的加熱、沖刷及燒蝕。噴管作為發(fā)動機的關鍵部位,其喉部的燒蝕會直接影響到發(fā)動機的工作壓強[7-10],從而影響到發(fā)動機的工作狀態(tài)和工作參數(shù)。在固體火箭發(fā)動機的設計中,噴管喉部的直徑在建立發(fā)動機的質量方程、比沖方程和進行總體設計參數(shù)選擇時具有重要的意義。此外,在固體火箭發(fā)動機的性能測試中,通過精準測量發(fā)動機工作前后噴管的喉徑變化,可以計算得到燃燒室內壓、噴管出口壓和喉部材料的燒蝕特性。因此,喉徑的精確測量對于發(fā)動機性能的評估具有重要意義。

目前,國內外對固體發(fā)動機噴管喉徑測量的研究較少,現(xiàn)有的深孔測量方法,如三坐標測量儀等,由于缺乏對發(fā)動機噴管特點的適配,有的測量空間受限,有的測量精度不夠,導致實際應用起來較為麻煩。針對噴管喉徑測量,COLBAUGH等[11]提出了一種基于X-ray的直接測量方法。洪洋等[12]提出了一種面向拉瓦爾噴管的液力測量方法,具有非接觸、穩(wěn)定性好的優(yōu)點。張翔等[13]提出了一種基于芯型測頭塞規(guī)法的拉瓦爾噴管喉徑液力測量方法,取得了較高的測量精度。盡管當前針對噴管喉徑的測量方法能夠較好完成噴管候徑的測量,但系統(tǒng)的復雜度普遍較高,測量成本較大。機器視覺的方法指利用攝像頭所拍攝的圖像或視頻,通過圖像處理技術,從而實現(xiàn)非接觸式的測量,具有測量過程快捷、方便的特點。目前應用機器視覺對固體火箭發(fā)動機進行測量已經(jīng)有了相應的研究,文獻[14-15]等利用機器視覺實現(xiàn)了發(fā)動機擺動噴管空間位姿的測量,但對于發(fā)動機噴管喉徑的測量,目前仍是一個未探索的領域,缺少相關研究。

針對固體火箭發(fā)動機噴管喉徑測量問題,提出了一種基于機器視覺的測量方法,構建了一套測量系統(tǒng),該系統(tǒng)通過平行面激光源將噴管喉部投影至成像平面,通過工業(yè)級高分辨率單目相機獲取噴管的投影圖像。在該圖像中,需要準確的提取出喉部區(qū)域,然而傳統(tǒng)直接對圖像提取特征的方法,存在對環(huán)境光照變化魯棒性不足的缺點,需要設定較多閾值,而固定的閾值參數(shù)很難兼顧精確度和魯棒性。常規(guī)基于深度學習的語義分割模型,存在著邊緣細粒度不夠的缺點。因此,通過新提出的基于改進DeepLab v3+的深度學習網(wǎng)絡模型,可以提取得到圖像中的喉部區(qū)域。相比其他模型以及改進前的網(wǎng)絡模型,該模型更適應于噴管喉部圖像分割任務,在模型更輕量化的同時,對噴管喉部邊界劃分有更高的細粒度。真實數(shù)據(jù)實驗結果表明,所提出的改進模型相比其他的語義分割模型,具有了更高的圖像分割細粒度和魯棒性。最后,通過棋盤格對相機進行參數(shù)標定,利用標定結果對該區(qū)域面積進行估計,最終實現(xiàn)了喉徑的測量。相比于傳統(tǒng)測量方式,本文提出的方法和構建的系統(tǒng)不僅方便、快捷,對于燒蝕后不規(guī)則的噴管喉部測量,還具有了更高的準確性。

1 系統(tǒng)總體方案

1.1 系統(tǒng)設計要求

針對固體火箭發(fā)動機噴管喉徑測量的實際需求,提出以下的系統(tǒng)設計要求:

(1)能夠測量噴管喉徑的最小值

對于試驗后的固體火箭發(fā)動機噴管,由于其喉部不同位置燒蝕程度不同,在深度方向上,不同截面下的喉徑值將有所不同,為滿足后續(xù)試驗分析需求,需要測量得到喉徑的最小值。

(2)能夠進行數(shù)據(jù)采集與準確計算

由于發(fā)動機噴管喉徑測量快捷、便利性的需求,需要能夠采集圖像,具有較高的自動化程度,并且盡可能降低測量誤差,使得最終喉徑測量誤差優(yōu)于0.05 mm。

(3)能夠適應不同的實驗工況

由于發(fā)動機試驗條件的復雜性和兼顧測量系統(tǒng)的通用性,系統(tǒng)需要進行輕量化設計,并對測試場地有較低的要求。同時,對于環(huán)境光照有較好的魯棒性。

1.2 系統(tǒng)設計方案

系統(tǒng)主要包含了測量支架、激光光源、投影平面、圖像獲取設備和計算機五個部分,如圖1所示。其中,測量支架主要用于待測固體火箭發(fā)動機噴管和其他設備的固定,確保投影平面與圖像獲取設備之間的相對位置準確且不變;激光光源裝在測量裝置的底部,通過向上發(fā)射波長為650 nm的平行光源,從而將噴管的喉部形狀投影至投影平面,對于激光光源,其平行光束的直徑需要大于所測發(fā)動機的喉徑;投影平面采用厚度為0.15 mm的硫酸紙,該材料一方面具有良好的透光性,能夠形成清晰的可被圖像獲取設備捕獲的圖像,另一方面衍射較小,能夠盡可能確保圖像邊緣的投影真實性。圖像獲取設備包含了工業(yè)相機和鏡頭,將投影平面的圖像輸入至計算機中進行處理。

圖1 噴管喉徑測量系統(tǒng)設計方案

通過上述的硬件系統(tǒng)和基于機器視覺的喉徑測量算法,便可以得到發(fā)動機噴管喉徑值。為了獲取高精度的喉徑測量結果,系統(tǒng)的硬件設計同樣至關重要,硬件的設計需要盡可能減少系統(tǒng)誤差。

測量支架,通過合理的設計和精密的機加工,使其確保了激光光源平面、噴管橫截面以及投影平面三者之間的平行度優(yōu)于0.1 mm,使得激光在投影平面的投影面積能夠直接反映噴管的喉部最小面積。選用Baumer公司的VCXG-124 CMOS工業(yè)灰度相機,具有1200萬的分辨率和3.45 μm×3.45 μm的像元尺寸,高分辨率確保了對投影平面成像的高細粒度,避免因分辨帶來的精度損失。綜合考慮目標的距離和視場的大小,本系統(tǒng)選用OPTO ENGINEERING公司的遠心鏡頭,在滿足系統(tǒng)測量需求的同時,使得成像畸變系數(shù)小于0.08%,進一步確保測量的準確性。本系統(tǒng)的實物圖及該測量系統(tǒng)拍攝到的噴管喉部投影圖片如圖2所示。所使用計算機CPU為Intel i5-9400F,GPU為NVIDIA GeForce GTX 1080,操作平臺為Ubuntu 18.04。

圖2 噴管喉徑測量系統(tǒng)實物圖及其拍攝的噴管投影圖示例

2 基于圖像的噴管喉徑測量方法

2.1 測量方案簡述

得到拍攝的噴管投影圖后,首先需要分割提取噴管喉部在圖像中所占據(jù)的像素單元,統(tǒng)計喉部區(qū)域所占據(jù)的像素數(shù)目;再依據(jù)圖像中的像素面積與真實面積之間的比例,將其轉換為喉部真實橫截面積,進而可計算出噴管的喉徑。

下面具體介紹基于深度學習的喉部區(qū)域分割方法以及基于分割結果的噴管喉徑計算。

2.2 基于深度學習的喉部區(qū)域分割

不同于其他圖像分割任務,喉部區(qū)域分割任務主要有以下兩個難點:

(1)喉部區(qū)域分割任務要求邊界分割的高細粒度。不同于常規(guī)的圖像語義分割任務,喉部的輪廓并不是平滑的,帶有較多的“抖動”。而對噴管喉徑的精確測量,要求模型能夠對輪廓進行更具細粒度的語義分割,能夠分割出不平滑的輪廓線。因此,要求模型能夠對圖像邊界具有更好的信息提取能力,能夠進行高細粒度的語義分割。

(2)噴管喉部數(shù)據(jù)的缺乏。不同于常見的圖像分割任務,受限于任務的特殊性,噴管喉部數(shù)據(jù)是難以大量直接獲取的。因此,對于模型,需要在有限的數(shù)據(jù)下,避免過擬合,能夠在展現(xiàn)出良好性能同時,具有泛化性和魯棒性。

在基于深度學習的喉部區(qū)域分割中,采用基于深度學習的喉部區(qū)域分割方法,同時結合喉部區(qū)域分割任務特點進行模型選取與改進。同時,在模型訓練階段,給予喉部區(qū)域邊緣更高的關注度,以便訓練過程更好地聚焦于邊緣區(qū)域的分割。此外,針對噴管喉部數(shù)據(jù)缺乏的問題,從數(shù)據(jù)角度進行了數(shù)據(jù)增強,使得在小樣本量下訓練出泛化性更好的網(wǎng)絡。

2.2.1 網(wǎng)絡模型

近年來,在各類分割任務中,基于模型的分割方法取得了相比傳統(tǒng)檢測方法更好的性能。目前,語義分割領域使用較為廣泛的方法包括FCN[23]、U-Net[24]、MaskRCNN[25]以及DeepLab[16-19]系列等。其中,DeepLab系列中,引入了空洞卷積與空洞空間金字塔池化(ASPP),相比其他模型,在減少參數(shù)量的同時,提升卷積核感受野,能實現(xiàn)更好的分割效果。在該系列中最新提出的DeepLab v3+模型中,還引入了深度可分離卷積代替常規(guī)卷積,使得模型更為輕量化,有利于喉部分割模型的工程化部署。此外,DeepLab v3+引入了的編碼器-解碼器結構,使得網(wǎng)絡中保留較多的淺層信息,特征圖更好地表征對象邊界情況,更有利于對噴管喉部區(qū)域邊緣的精細化分割。因此,選擇DeepLab v3+模型,作為噴管喉部區(qū)域分割任務的基礎模型。

DeepLab v3+網(wǎng)絡結構主要包括編碼器和解碼器兩部分。編碼器中,輸入圖像經(jīng)過主干網(wǎng)絡進行特征提取,輸出作為ASPP的輸入,并行接入5個不同模塊后,得到的張量拼接后輸出。解碼器從編碼器中獲取經(jīng)過主干網(wǎng)絡提取的低層特征張量,以及經(jīng)過ASPP模塊進一步提取的深度特征張量,其將該兩種張量特征進行拼接,最終經(jīng)過上采樣輸出。

盡管相比DeepLab v3+模型在一般的語義分割任務中取得了較好的效果,但在噴管喉部圖像區(qū)域分割任務中,仍無法達到較高精度的要求,尤其是噴管喉部區(qū)域邊緣處的分割結果。因此,在噴管喉部區(qū)域分割任務中,采用基于DeepLab v3+的改進模型,如圖3所示。相比DeepLab v3+原始結構,主要對模型進行了兩部分改進,改進部分如圖3中黃色框所標注。

圖3 喉部區(qū)域分割模型結構

首先,為減少參數(shù)量,使其更適應于噴管喉部分割任務小樣本下的模型訓練,同時減小計算量,便利模型在實際中的部署,將原DeepLab v3+中的主干網(wǎng)絡Xception,改為MobileNet v2[20]主干網(wǎng)絡。MobileNet v2同樣采用了深度可分離卷積,以減少參數(shù)量和計算量。同時,MobileNet v2引入倒置殘差結構與線性瓶頸結構,將原殘差結構中的卷積降維、標準卷積提取特征、卷積升維,倒置為卷積升維、深度卷積提取特征、卷積降維,更好地保留了高維特征信息,并用線性激活函數(shù)替換了ReLU激活函數(shù),減少了模型從低維特征到高維特征提取過程中的信息損失量,對于噴管喉部邊界的細粒度分割能實現(xiàn)更好的效果。

同時,為更好地提升喉部邊緣區(qū)域的分割效果,由于在卷積、池化等過程中損失了部分原始圖像細節(jié),應提升模型對低維特征的關注度。因此,改進的DeepLab v3+在ASPP模塊中引入多尺度注意力模塊[21],優(yōu)化ASPP模塊對圖像不同層級特征的表征能力。在ASPP中,不同擴張倍數(shù)的空洞卷積感受野不同。因此,主干網(wǎng)絡輸出的特征張量經(jīng)過不同的空洞卷積層生成不同尺度的特征張量,其包含的特征信息特點也不同。在此,引入多尺度注意力模塊,對不同層級的張量特征賦予不同權重。

2.2.2 損失函數(shù)

基于機器視覺的分割方法的最終效果,與訓練過程緊密相關。其中,損失函數(shù)對最終的訓練效果起到了很大作用。為了提升模型的最終效果,改進了訓練中的損失函數(shù)。

在喉部區(qū)域分割任務中,噴管喉部區(qū)域特征單一,容易識別,分類錯誤的幾率較小;噴管喉部外部區(qū)域像素特征也較為相近,尤其是無外部光源干擾的情況下,分割錯誤的幾率也較小;而噴管喉部邊緣地區(qū),噴管喉部內外部像素特征的差異性較大,對分割結果起到重要作用。因此,提升噴管喉部邊緣地區(qū)在損失函數(shù)中的權重,使得網(wǎng)絡訓練過程中,更關注噴管喉部邊緣地區(qū)的分割結果。

常用的二元交叉熵損失函數(shù)定義為

(1-yi)·log(1-p(yi))]

(1)

式中y代表像素標簽,其值為0或1;p(yi)為該標簽的概率。

改進后的損失函數(shù)定義為

(1-yi)·log(1-p(yi))]

(2)

式中wi為權重系數(shù),其值由式(3)決定:

(3)

式中C為圖像中邊緣區(qū)域像素組成的集合;λ為加權因子,其值大于1。

訓練過程中生成圖片中邊緣區(qū)的方式如下:首先,利用Moore-Neighbor算法[21-22],對標注后的噴管喉部區(qū)域邊緣進行提取;遍歷提取的邊緣像素點,與邊緣像素點在像素坐標系下的距離不超過設定閾值的像素點,加入邊緣區(qū)域像素集合中。噴管喉部圖片中邊緣區(qū)域像素的示例如圖4所示。圖4中,紅色標記出的區(qū)域為邊緣區(qū)域像素集合C。

圖4 喉部邊緣區(qū)域像素集合示意圖

2.2.3 數(shù)據(jù)增強

基于機器視覺的方法對于數(shù)據(jù)的依賴性一般較高,而DeepLab v3+模型的參數(shù)量相對較多,需要一定量的圖片數(shù)據(jù)以及對應真值來進行模型的訓練。而發(fā)動機噴管喉部圖片數(shù)量較少,且精細化的真值標注過程較為復雜,因此,采用數(shù)據(jù)增強的方式,對少量已標注的發(fā)動機噴管喉部數(shù)據(jù)做數(shù)據(jù)增強處理,以獲取較大量的數(shù)據(jù),避免過擬合,提升模型魯棒性。

采用的數(shù)據(jù)增強方式包括旋轉、平移、放縮、噪聲疊加、亮度調整、對比度調整。對于旋轉、平移、放縮,對一張噴管喉部圖片施加隨機的旋轉量、平移量、放縮比例,得到新的圖片。由于本方法中,噴管喉部與試驗臺各部分相對位置固定,照射的噴管喉部投影位置不會有較大變動,因此在增強中應設定較小的隨機平移量上限。對于噪聲疊加,對一張噴管喉部圖片施加隨機參數(shù)的椒鹽噪聲或高斯噪聲,得到新的圖片。對于亮度、對比度調整,對一張噴管喉部圖片隨機設定調整相應參數(shù),實現(xiàn)增強圖片的生成。單張噴管喉部圖片進行數(shù)據(jù)增強處理后得到的結果如圖5所示。

2.3 噴管喉徑計算

2.3.1 后處理

對語義分割得到的二值化結果,還需對其進行后處理,以提升分割效果。

已知噴管喉部區(qū)域集中分布于單個連通的區(qū)域,后處理步驟主要將少部分可能錯誤分割的位于喉部內側、以及喉部外側的離散像素進行篩除,其具體實現(xiàn)方式步驟包括:

(1)提取分割后圖像中的連通區(qū),即被分類為喉部區(qū)域的連通區(qū);

(2)統(tǒng)計各連通區(qū)總像素面積;

(3)僅保留面積最大的連通區(qū),將其他連通區(qū)像素語義賦值為非喉部區(qū)域語義;

(4)對唯一保留的連通區(qū)內部語義為非喉部區(qū)域的像素,賦值為喉部區(qū)域。

通過上述步驟,可消除少部分錯誤分類的離散像素點對最終結果的影響。

2.3.2 面積計算

為獲取噴管喉部真實物理直徑,還需進一步將像平面中的像素單元大小,轉化為真實物理空間中的長度尺寸。對喉部區(qū)域分割結果圖,首先統(tǒng)計其中為喉部區(qū)域的像素個數(shù),設像素總個數(shù)為N,定義比例因子s,其含義為圖像中每像素邊長所代表的實際長度,單位為毫米/像素。由此,可求得喉部區(qū)域面積S:

S=N×s2

(4)

則依據(jù)圓的面積公式,可求得噴管喉部等效直徑D:

(5)

2.3.3 比例因子標定

對比例因子,采用棋盤格標定方式,對像平面像素面積到真實物理世界面積的轉換關系進行標定[22]。標定過程中,首先如圖6所示,將棋盤格平放置于投影面處,拍攝若干張圖片。

圖6 標定使用的棋盤格及角點檢測結果

對采集到的圖片,通過角點檢測[22],檢測圖像中棋盤格角點在像素平面中的位置,進而推出棋盤格中,各正方形小格在像素平面中的邊長,并求得像素平面方格邊長平均值limg。已知棋盤格中每小格真實邊長lworld,則投影面上物體實際物理長度與像素平面物理長度之間的比例因子s為

s=lworld/limg=5/380≈0.01317993(mm/px)

(6)

3 實驗結果與分析

3.1 喉部區(qū)域分割

實驗中,共使用5個發(fā)動機噴管喉部進行測試,用于實驗的發(fā)動機噴管喉部如圖7所示。每個噴管喉部采集40張圖片。對單個噴管喉部,每次圖片采集后,需將噴管喉部從固定臺上取下,再重新放置于固定臺,以保證數(shù)據(jù)的變化性。同時,為衡量系統(tǒng)魯棒性,增強數(shù)據(jù)豐富度,對同一個噴管圖片,采集時對環(huán)境光源施加干擾,干擾因素包括環(huán)境光強度:強光、中光、弱光,以及環(huán)境光照射方向:上方、側方。實驗使用的數(shù)據(jù)集示例圖片如圖8所示。

圖7 發(fā)動機噴管喉部真實圖

圖8 發(fā)動機噴管喉部投影圖數(shù)據(jù)集示例

隨機選取其中3個噴管喉部數(shù)據(jù)作為訓練集,其余2個噴管喉部數(shù)據(jù)為測試集。對于噴管喉部圖像分割任務,為了提升真值的精度,通過人工方式進行逐像素的像素級標注,類似于計算機視覺中實例分割任務的標注方法,不同于常規(guī)語義分割的連線段的區(qū)域標注方法,可確保達到1個像素的真值精度。根據(jù)標定結果,一個像素格代表的面積是0.000 17 mm2,對本系統(tǒng)的語義分割任務是可以滿足精度要求的。對訓練集3個噴管喉部共120張圖片,采用數(shù)據(jù)增強方式,對其進行擴充,得到共1200張圖片,作為最終的訓練集數(shù)據(jù)。實驗在配有NVIDIA GeForce GTX 1080 GPU(8 GB顯存)的平臺上進行訓練,訓練過程的部分參數(shù)設置見表1。

表1 模型訓練參數(shù)

對喉部區(qū)域分割精度的評估,采用語義分割中最常用評估指標,平均交并比(mIoU)進行評估,mIoU的定義如下:

(7)

式中k代表類別數(shù);pij代表真實類別為i、被預測為j的數(shù)量。

mIoU能體現(xiàn)語義分割中真陽性與假陽性、真陰性、假陰性的指標情況,考慮不同類別分割結果的精度,綜合反映模型的性能。

將提出的改進后的DeepLab v3+方法,與原始Deeplab v3+方法、其他常用語義分割模型,以及傳統(tǒng)圖像處理方法進行性能對比。其中,傳統(tǒng)圖像處理方法,采用圖像自適應二值化提取亮度差異較大區(qū)域,通過開運算操作去除二值化圖像中的噪聲點,提取圖中最大連通域作為喉部區(qū)域提取結果。在8個噴管喉部圖像數(shù)據(jù)上的平均結果如表2所示。

從表2可以看出,在帶有GPU的檢測平臺上,使用改進后的DeepLab v3+與傳統(tǒng)分割方法相比,噴管喉部區(qū)域分割的耗時更短,且改進后的DeepLab v3+得到的分割結果精度明顯高于傳統(tǒng)方法,能夠實現(xiàn)更好的噴管喉部區(qū)域提取效果。除此以外,相對其他語義分割模型,以及原始DeepLab v3+方法,改進后的DeepLab v3+方法,精度更高,耗時更低,更適應于噴管喉部區(qū)域提取任務。同時,在圖9中給出了兩組基于改進后的DeepLab v3+與基于傳統(tǒng)方法的噴管喉部區(qū)域提取的結果圖,圖9中紅線為提取的喉部區(qū)域結果?？梢钥闯?傳統(tǒng)方法提取的噴管喉部邊緣處較為粗糙,且對于外部光照干擾的適應性較差;而模型對噴管喉部區(qū)域邊緣的提取效果更好,對外部環(huán)境光照魯棒性強,利于取得更高精度的提取結果。

(a)Traditional method (b)Improved deepLab v3+

表2 基于DeepLab v3+的噴管喉部區(qū)域分割方法與其他模型及傳統(tǒng)圖像處理方法效果對比

3.2 系統(tǒng)方法驗證

為驗證整個系統(tǒng)方法的準確性,設置平行光源和標定方法的驗證環(huán)節(jié),使用噴管喉部標準件,對比例因子進行驗證,步驟如下:(1)選取有直徑真值的、未經(jīng)使用磨損的噴管喉部件數(shù)個,采用文中噴管喉徑測量系統(tǒng),對其進行投影圖拍攝;(2)對拍攝所得結果圖,人工標注其中噴管喉部區(qū)域;(3)通過圖中像素面積,以及比例因子,對噴管喉部區(qū)域真實直徑進行計算。在實際測試中,經(jīng)比例因子計算的測量值,與標準件直徑真值,相差不超過0.020 mm,證實了整個系統(tǒng)方法的準確性。

3.3 喉徑測量

本節(jié)中,對測試集數(shù)據(jù)上最終得到的噴管喉部等效直徑測量結果進行評估,統(tǒng)計同一噴管喉部多次測量的直徑結果,觀察多次測量結果的精度以及重復性,其中單個噴管喉部上,有光照干擾與無環(huán)境光干擾情況下,測量最終結果如圖10所示?？梢钥闯?采用基于機器視覺的固體火箭發(fā)動機噴管喉徑測量方法,等效直徑測量精度較高,滿足0.05 mm測量精度的要求。同時,不同外部環(huán)境光照射條件下,噴管喉徑測量結果相對無環(huán)境光干擾時精度略有下降,但仍滿足誤差要求,對外部環(huán)境光變化的魯棒性較好。同時,為了驗證改進的DeepLab v3+中改進的多尺度注意力模塊,以及損失函數(shù)對喉徑測量精度的提升作用,進行消融實驗,以驗證各模塊對最終喉徑測量精度的影響,結果如表3所示?？梢钥闯?損失函數(shù)的改進,可以細化邊緣分割結果,對最終結果有較大的改善。多尺度注意力的加入,使得網(wǎng)絡對不同深度特征賦予不同權重,進一步提升了噴管喉部直徑的測量精度。

表3 基于改進的DeepLab v3+的喉徑測量消融實驗結果

(a)Without external light interference (b)External light interference

4 結論

本文提出了一種基于機器視覺的固體火箭發(fā)動機噴管喉徑測量方法,利用工業(yè)級高分辨率單目相機獲得面激光投影圖像,并通過一種新的基于DeepLab v3+的圖像分割網(wǎng)絡模型提取喉部,進而完成噴管喉徑測量。通過在真實噴管上進行實驗表明,該方法相比于傳統(tǒng)方法,在精度方面,取得了優(yōu)于0.05 mm的良好性能,且具有較低的計算復雜度和較高的環(huán)境魯棒性,能夠應用在具有光照變化干擾的真實工作場景,具有較好的應用價值。