固體火箭發(fā)動機藥柱CT圖像缺陷分析技術研究進展①

戴俊杰,宣兆龍,李天鵬,胡利青,郭愛強

(陸軍工程大學,石家莊 050003)

0 引言

固體火箭發(fā)動機藥柱(簡稱藥柱)作為火箭的重要動力源,有著長期儲存、一次使用的特點,在儲存運輸?shù)倪^程中會受到溫度載荷、沖擊載荷等多種因素作用,不可避免地會產(chǎn)生缺陷,危害性最大的缺陷主要有脫粘、夾渣、氣泡和裂紋[1]。在發(fā)射過程中,這些缺陷會導致燃面突擴,使燃燒室的壓力突然增大,嚴重時將造成爆炸等災難性事故[2]。研究表明,藥柱缺陷是影響發(fā)動機性能的關鍵因素[3-4]。

在固體火箭發(fā)動機儲存年限到期后,需要對它進行無損檢測,判斷裝備能否繼續(xù)服役。目前,最有效的無損檢測手段就是應用工業(yè)CT探傷,即計算機層析成像技術[5]。在經(jīng)過工業(yè)CT掃描后會得到一系列的斷層圖像,基于計算機視覺技術對這些圖像進行分析,實現(xiàn)對圖像中是否含有缺陷及缺陷的種類進行自動判別,一直是固體火箭發(fā)動機缺陷檢測領域的難題之一。

1 藥柱工業(yè)CT檢測現(xiàn)狀分析

目前,固體火箭發(fā)動機的無損檢測手段主要有超聲波探傷、X射線探傷和工業(yè)CT探傷[6]。三種檢測方法優(yōu)缺點的對比如表1所示。

表1 無損檢測方法對比

超聲波探傷技術對殼體與絕熱層之間的脫粘檢測情況十分有效,對于藥柱內(nèi)部出現(xiàn)的裂紋等缺陷卻不適用[7];X射線探傷不適用藥柱裂紋的檢測;工業(yè)CT探傷則可以得到高空間分辨率、高密度分辨率的數(shù)字化圖像,能夠?qū)崿F(xiàn)對缺陷空間位置的確定以及缺陷尺寸大小的測量,王正安等[8]確定了工業(yè)CT探傷達到的精度為脫粘面積寬度0.4 mm,氣孔和夾雜直徑5 mm,裂紋寬度0.4 mm,可很好地滿足現(xiàn)有的缺陷分析要求。由工業(yè)CT探傷技術得到的高分辨率數(shù)字圖像,可用于深度學習,實現(xiàn)缺陷自動檢測,這是優(yōu)于其他檢測手段的重要區(qū)別。

2 傳統(tǒng)藥柱CT圖像缺陷分析

傳統(tǒng)的固體火箭發(fā)動機CT圖像缺陷分析算法是分為兩步進行[9]:(1)對含缺陷的圖片進行圖像分割,運用圖像分割技術[10]如閾值分割、邊緣檢測、區(qū)域生長等方法,將所有潛在的缺陷區(qū)域從CT圖像中分割出來,并選取邊界閉合的區(qū)域作為可能是缺陷的候選區(qū)域;(2)對候選區(qū)域進行識別,不同的缺陷具有不同的形狀特征、灰度特征及Hu不變矩特征[11],通過人為的設置一些主要特征參數(shù),經(jīng)過算法運算后,將不同的缺陷識別出來。

在傳統(tǒng)的缺陷分析方法中,圖像分割是作為預處理的一部分,它分割的質(zhì)量將決定后續(xù)的缺陷識別是否準確。不同的分割對象需要使用不同的分割方法,因此近年來在圖像分割領域,有許多新的算法出現(xiàn)。

2.1 圖像缺陷分割

對于一張圖片來說,可以分為前景和背景,前景是需要提取出來研究的部分,其余部分便是背景,圖像分割的目的便是將前景和背景分開,將前景的輪廓信息、灰度特征等提取出來,從而提高圖像分析的效率[12]。

對于固體火箭發(fā)動機藥柱CT圖像,其前景與背景的劃分如圖1(a)、(b)所示。圖中的氣泡、裂紋和夾渣是前景,其余部分為背景。缺陷的邊緣信息是缺陷特征的主要部分,而圖像中梯度的幅值可以反映邊緣的清晰程度,圖1(c)、(d)則展示了藥柱CT圖像中的梯度幅值圖像。從圖中可以看出,背景中的藥柱部分噪聲很大,而缺陷部分的邊緣清晰,即前景與背景的差別明顯。因此,針對藥柱CT圖像中的缺陷分割主要是對前景進行定位和解決背景中噪聲的干擾問題。

圖1 含缺陷藥柱CT圖像及其梯度幅值圖像

傳統(tǒng)的圖像分割方法包括閾值分割法、邊緣檢測法、區(qū)域生長法等,這些方法都有著各自的優(yōu)缺點。對于固體火箭發(fā)動機藥柱CT圖像的缺陷分割而言,通常是采用多種分割方法結(jié)合起來達到分割缺陷的目的。

朱敏等[13]提出了一種集合了邊緣檢測法、數(shù)學形態(tài)法和多閾值分割法為一體的一種分割固體火箭發(fā)動機缺陷的方法,這種方法先通過邊緣檢測和形態(tài)學的方法分割出固體火箭發(fā)動機CT圖像的外層空氣環(huán)影,減少了部分背景的干擾。然后,采用多閾值法分割出推進劑和缺陷,再通過多閾值法和形態(tài)學的方法將推進劑和缺陷分開,從而實現(xiàn)了缺陷的提取,該方法流程如圖2所示。這種方法得到的精度非常依賴閾值的選取,若設置的閾值過大,提取的缺陷邊緣可能不連續(xù),若設置的閾值過小,則會提取出大量的偽影及噪聲邊緣。還有另一種方法是在基于相似變換定位出缺陷的基礎上,在缺陷區(qū)域內(nèi)利用邊緣檢測算子得到缺陷的邊緣,以此排除背景中噪聲的干擾,以缺陷區(qū)域的幾何中心為標志點,將確定的缺陷標志點向外填充至缺陷的邊緣,即可提取出所有的缺陷點及其坐標[14]。王新軍等[15]提出了一種動態(tài)合并準則的改進分水嶺算法,這種方法可以避免像區(qū)域生長法一樣需要對圖片有較多的先驗知識,也可以避免像邊緣檢測法一樣,在檢測到邊緣之后,還需要對邊緣進行連接,它可以有效地解決傳統(tǒng)分水嶺算法會過分割圖像的缺點,但它只針對了含裂紋的圖像進行處理,算法的局限性較大。

圖2 基于閾值分割的圖像分割方法[13]

對于傳統(tǒng)的缺陷識別方法而言,這一點是比較難以實現(xiàn)的,傳統(tǒng)的方法都是建立在CT圖像是有缺陷的基礎上來識別缺陷的類型,并不符合實際的應用傳統(tǒng)的圖像分割方法的優(yōu)點是原理簡單,容易實現(xiàn),過程簡單快捷,但是往往在分割的精度上有所不足,魯棒性并不高。以閾值分割法為例,它的關鍵在于選取合適的閾值,目前被廣泛應用的是Otsu分割法。Otsu算法結(jié)合了閾值分割和聚類思想,它通過遍歷整個圖片的灰度值來獲得一個最佳的閾值,使得前景和背景的差異最大,這就使得它的耗時長,在實際應用中很難滿足實時檢測的要求,并且只考慮了圖像灰度值的變化,沒有考慮其空間分布,在圖像灰度級數(shù)越多時,這種算法的合理性也就越低[16]。

2.2 缺陷特征識別

缺陷識別的目的是對缺陷存在的區(qū)域進行邊框定位并識別出具體的缺陷類型,傳統(tǒng)的缺陷識別方法大多是在圖像分割的基礎上進行的,在經(jīng)過圖像分割后,缺陷所在區(qū)域即前景與背景已經(jīng)分開,只需對前景的圖像特征進行分類識別,便可判斷出缺陷的類型。

朱敏等[17]通過圖像不變矩的方法,首先利用形狀識別提取出藥柱CT圖像中的裂紋,然后通過直方圖分析法分別計算出氣泡和夾渣所在的灰度區(qū)間,根據(jù)不同的灰度分布區(qū)分氣泡和夾渣,從而實現(xiàn)缺陷的自動分類,這種方法優(yōu)點在于簡單且容易實現(xiàn),但需遍歷整個圖片才能得到識別結(jié)果,耗時較長;于光輝等[18]提出一種基于相似變換的缺陷定位方法,通過任意取CT圖像的一部分作為模板,使模板在整個CT圖像中遍歷,得到模板與各個區(qū)域的相似程度,設定一個合適的閾值,判斷模板與子圖像是否相似,由相似數(shù)目的多少來判斷該區(qū)域是否為含缺陷區(qū)域,從而實現(xiàn)了缺陷的定位。這種方法需要人為選定閾值,其魯棒性并不好,并且模板的選擇會影響識別的結(jié)果,不同的模板識別的結(jié)果精度也有差異。李慎等[19]提出了一種基于圖像配準技術的固體火箭發(fā)動機缺陷識別方法,以標準無缺陷的固體火箭發(fā)動機CT圖像作為參考圖像,待檢測的發(fā)動機CT圖像作為浮動圖像,通過配準算法將浮動圖像做空間變換,使得浮動圖像與參考圖像重合,對這兩幅圖像進行比較,灰度區(qū)域不同的地方便是缺陷區(qū)域,這種配準方法的優(yōu)點在于可以通過特征提取,大幅降低計算量,但配準的精度會受到特征提取精度的影響,具有主觀性。

以上這些方法的最終識別準確率均能達到90%左右,但這些方法都不可避免地需要人為設計選擇藥柱CT圖像的缺陷主要特征,耗時較長。同時,通過傳統(tǒng)的方法對藥柱CT圖像的缺陷進行識別時,都是選擇一個小的窗口遍歷計算整副圖像,時間開支與圖像的大小成正比,而藥柱CT圖像往往都很大,很難實現(xiàn)實時檢測的要求[20]。

通過上述對上述固體火箭發(fā)動機CT圖像缺陷分析領域技術的分析,傳統(tǒng)的缺陷分析方法可以實現(xiàn)對缺陷分析,精度也能有保證,但是有著較大的計算量,并且都無法避免的需要人為參與,設計缺陷的主要特征。對于固體火箭發(fā)動機的缺陷檢測,在得到其工業(yè)CT圖像后,首先需要判斷的是有沒有缺陷,有缺陷便進行后續(xù)的分析。傳統(tǒng)方法可以解決實際應用中的缺陷分析問題,但在分析過程中存在效率不高、對缺陷特征的人為設計因素較多的問題。

3 基于深度學習的藥柱CT圖像缺陷分析

近年來,深度學習的快速發(fā)展為固體火箭發(fā)動機的缺陷分析技術提供了新的發(fā)展方向。深度學習相比傳統(tǒng)的缺陷分析方法有一個非常顯著的特點就是無須使用人工設計的特征,它是一種通用性很強的框架,通過將特征提取與機器學習算法結(jié)合,直接完成端到端的訓練,這種端對端的學習框架如圖3所示。這種框架具有很高的靈活性,能夠針對不同問題的特點,設計不同的神經(jīng)網(wǎng)絡結(jié)構(gòu),使用不同的損失函數(shù)來實現(xiàn)目標[21]。在固體火箭發(fā)動機缺陷分析領域,對于圖像分割問題,可以設計全卷積神經(jīng)網(wǎng)絡完成對每個像素類別的預測;對于缺陷識別,可以設計專用的卷積神經(jīng)網(wǎng)絡完成對目標位置和大小的預測。

圖3 端對端學習框架圖

在缺陷分析領域,使用的深度學習方法主要是基于深度卷積神經(jīng)網(wǎng)絡。卷積神經(jīng)網(wǎng)絡是一類包含卷積計算且含有深層次結(jié)構(gòu)的深度前饋神經(jīng)網(wǎng)絡,是深度學習的代表算法之一[22-23]。在各種深度網(wǎng)絡中,卷積神經(jīng)網(wǎng)絡是應用最廣泛的一種,卷積神經(jīng)網(wǎng)絡的出現(xiàn)使圖像識別技術有了突破性進展,它是一種將卷積運算和人工神經(jīng)網(wǎng)絡相結(jié)合的網(wǎng)絡[24]。通過該網(wǎng)絡對藥柱缺陷CT圖像進行分析可以實現(xiàn)自動從圖像中提取特征,并依據(jù)提取的特征采用相應的分類器進行分類,這種方式獲得的特征通用性更好,魯棒性更強[25]。

目前,基于深度學習的方法對固體火箭發(fā)動機缺陷進行分析的方法并沒有得到推廣,主要是現(xiàn)有含缺陷藥柱CT圖像數(shù)據(jù)量不夠支撐一個高準確率的深度卷積神經(jīng)網(wǎng)絡的訓練,遷移學習[26-27]、數(shù)據(jù)擴增[28]和生成對抗網(wǎng)絡(GAN)[29]均可以在一定程度上解決這個問題。而FERGUSON等已經(jīng)證明了在深度學習模型上使用遷移學習技術,能夠使得缺陷檢測系統(tǒng)的性能得到提升[30],這對于深度學習在藥柱CT檢測中的應用具有重大意義。魏龍等[31]提出了一種基于機器學習的固體火箭發(fā)動機無損檢測數(shù)據(jù)智能判讀,但沒有聚焦運用于工業(yè)CT探傷缺陷分析,但在別的領域,如鑄件的缺陷檢測[32]、焊縫表面的缺陷檢測[33]等領域都有了成熟的應用。

3.1 基于目標檢測的缺陷特征識別

對于目標檢測,輸入一張圖像后,需要判斷該圖像中是否包含目標,如果包含目標,則輸出目標的位置,通常用矩形框進行標定。對固體火箭發(fā)動機工業(yè)CT圖像而言,需要對脫粘、氣泡、夾渣和裂紋四類缺陷進行標定,如圖4所示。

圖4 基于目標檢測的缺陷識別

目前,在基于目標檢測的缺陷識別技術中,應用最廣泛的就是基于Faster R-CNN的方法。Faster R-CNN的算法分為三步進行:(1)使用深度卷積神經(jīng)網(wǎng)絡模型提取圖像特征;(2)提取出目標的候選區(qū)域;(3)對目標類型進行分類并確定邊界框的位置。它通過引入?yún)^(qū)域生成網(wǎng)絡(RPN)來篩選出可能會存在目標的區(qū)域[34],通過簡單的交替優(yōu)化,實現(xiàn)RPN和Fast R-CNN之間的卷積特征共享,可以縮短Fast R-CNN[35]的檢測時間。其算法框架如圖5所示。從圖5可以看出,Faster R-CNN涉及兩個CNN網(wǎng)絡的訓練,在實際運用中對輸入圖片的分析也分兩階段進行,在一定程度上限制了算法的運行速度。由此,REDMON等[36]提出了單階段的目標檢測網(wǎng)絡——You Only Look Once(YOLO)網(wǎng)絡,它將目標檢測作為一種回歸問題,對輸入圖像進行一次計算就能得到目標的位置、所屬類別以及相應的置信概率。在文獻[37]中對航空維修任務中的目標檢測任務中對YOLO算法和Faster R-CNN網(wǎng)絡的運行速度進行了對比,如圖6所示。其中mAP代表平均準確率,YOLOv3和YOLOv4是YOLO網(wǎng)絡的不同版本。從圖6可以看出,單階段的目標檢測算法能夠在保持檢測精度的同時,大幅度提高模型的運算速度。相比于Faster R-CNN有著較大的進步。

圖5 Faster R-CNN框架[35]

圖6 不同目標檢測算法的精度與運算時間對比圖[37]

對于藥柱CT圖像中的缺陷檢測,加快模型的檢測速度對于提高缺陷檢測的效率有著重要意義,提高深度學習模型的運行速度,并同時保持模型的檢測精度是未來的主要發(fā)展方向。

Faster R-CNN在工業(yè)CT圖像缺陷識別領域已得到了成功應用,在固體火箭發(fā)動機缺陷識別領域顯示出極大的應用前景。常海濤等[38]提出了一種基于Fast R-CNN的缺陷檢測方法,利用該方法使得檢測準確率高達96%,平均每張圖片的檢測時間為86 ms,避免了傳統(tǒng)缺陷檢測需要手動選取目標特征的問題,缺陷的識別與定位過程的自動化程度更高。吉衛(wèi)喜等[39]提出了一種改進的較快的基于Faster R-CNN的齒輪缺陷識別模型并設計出VGG-2CF網(wǎng)絡,提高識別較小目標的能力,引入AM-Softmax損失函數(shù),以減小類內(nèi)特征的差異性,進一步增大類之間差異性,結(jié)合機器學習算法中的F度量值,提出一種AMF-Softmax損失函數(shù),解決數(shù)據(jù)不平衡的問題。證明了Faster R-CNN可以有效識別工業(yè)CT圖像中的缺陷。考慮到藥柱CT圖像的尺寸較大,圖像中可能會出現(xiàn)尺寸相對較小的缺陷,CAO等[40]提出了一種能更好適應小目標檢測的Faster R-CNN方法,通過基于交叉聯(lián)合的改進損失函數(shù)對邊界框進行定位,使用雙線性插值來改進目標區(qū)域操作,解決在識別階段的定位偏差問題,可以更好地檢測小物體目標。部分藥柱CT圖像中的缺陷部分及其尺寸如圖7所示。由圖可以看出,缺陷對于藥柱CT圖像來說屬于小目標物體。上述文獻中對Faster R-CNN的改進措施,均可在藥柱CT圖像的缺陷自動識別時起參考作用。

圖7 部分缺陷尺寸示意圖[40]

相比于傳統(tǒng)缺陷識別技術,基于目標檢測的缺陷識別方法利用深度學習,使得訓練好的模型能夠自組地對輸入圖像的內(nèi)容進行判別,避免人為參與,實現(xiàn)對缺陷的位置進行標定,并且提取的精度與粒度都有了較大的提升,能夠很好滿足固體火箭發(fā)動機CT斷圖像缺陷識別的要求。由此,基于目標檢測的缺陷識別技術將極大提高固體火箭發(fā)動機缺陷檢測效率。

3.2 基于全卷積神經(jīng)網(wǎng)絡的缺陷分割

在應用深度學習的方法對圖像進行分割時,一般會先明確分割類型,根據(jù)實際分割任務的不同,可以分為普通分割、語義分割和實例分割。普通分割是把圖片內(nèi)不同物體的像素區(qū)域簡單分開;語義分割是在普通分割的基礎上,對不同物體的像素區(qū)域的語義進行分類;實例分割則是語義分割的基礎上更進一步,對圖片中的不同物體進行編號。

目前,應用最廣泛的就是語義分割,在語義分割中有四種最為典型的算法,分別是FCN、PSPNet、DeepLab、Mask R-CNN[41]。其典型的代表就是全卷積神經(jīng)網(wǎng)絡(FCN)。

FCN可以對圖像進行像素級的分類,從而實現(xiàn)了語義級別的圖像分類[42]。與CNN網(wǎng)絡在經(jīng)過卷積、池化之后使用全連接層獲得固定長度的特征向量進行分類不同,FCN采用反卷積層對最后一個卷積層的圖像進行采樣,使它恢復到了與輸入圖像相同的尺寸,從而對每一個像素都有一個預測值,同時還保留了原始輸入圖像中的空間信息,最后在特征圖上進行了逐個像素的分類。VILLA等[43]運用FCN的方法實現(xiàn)了超聲圖像中骨邊界的分割,該方法的精度能達到80%。BUDAK等[44]采用基于FCN的方法,實現(xiàn)了從組織病理學圖像中分割乳腺腫瘤。其中,超聲圖像和組織病理學圖像中的待分割目標情況比藥柱CT圖像中的缺陷目標更為復雜,這些成功的應用都表明FCN具備分割藥柱CT圖像中缺陷的能力。

3.3 基于Mask R-CNN的缺陷分析

采用基于深度學習的方法可以實現(xiàn)對圖像進行缺陷識別、圖像分割,但是基于Faster R-CNN的方法可以很好地實現(xiàn)對圖像缺陷的識別和目標定位,但無法對圖像進行分割,而基于FCN的算法可以實現(xiàn)對圖像的分割,無法實現(xiàn)對缺陷圖像的識別,而在深度學習端到端訓練的框架下,二者是可以結(jié)合的,即通過一次訓練,得到一個可以同時實現(xiàn)缺陷識別和分割兩項任務的模型,這是傳統(tǒng)的缺陷檢測技術很難做到的。

HE等[45]將圖像識別算法Faster R-CNN與圖像分割算法FCN結(jié)合,提出了實例分割網(wǎng)絡——Mask R-CNN,它是在Faster R-CNN的基礎上,通過FCN增加一個掩碼預測分支,實現(xiàn)了識別與分割的一體化。其算法實現(xiàn)的原理如圖8所示。

圖8 Mask R-CNN框架[45]

Mask R-CNN是在Faster R-CNN的基礎上進行修改的,其主要的改動是將RoI Pooling層改為了RoI Align層。主要是RoI Pooling層中對特征圖采用了兩次量化操作,這會產(chǎn)生量化誤差,這會影響實例分割的效果。而RoI Align層沒有采用量化操作,用線性插值的方法可使誤差得以減少。

目前,Mask R-CNN在缺陷檢測領域的有著極大的發(fā)展?jié)摿?。劉智勇等[46]基于Mask R-CNN的方法對混凝土道路裂縫進行實例分割,這種算法對道路裂縫可達到98.12%的準確率。胡曉紅等[47]利用Mask R-CNN方法,對立銑刀圖像破損進行分割檢測,并對Mask R-CNN提出了改進方法,在結(jié)合多級特征融合基礎上增加一條自下而上的路徑,以提取尺度較小的崩刃特征,使用線性加權的方法改進原有NMS算法,保留部分正確的破損目標候選框,以降低崩刃的漏檢率,使得對缺陷檢測的準確率達到了98.15%。在超聲圖像這類質(zhì)量不高的圖像中,Mask R-CNN也能較好地實現(xiàn)目標識別與分割,CHIAO等[48]采用基于Mask R-CNN的方法對乳腺腫瘤進行檢測,檢測和分割的平均精度能夠達到75%。GAMDHA等[49]采用Mask R-CNN的方法對固體火箭發(fā)動機藥柱X射線圖像進行檢測,其精度超過87%。道路裂縫和立銑刀破損圖像中的待檢測目標比固體火箭發(fā)動機藥柱CT圖像中的缺陷目標更為復雜,乳腺癌超聲圖像和藥柱X射線圖像的質(zhì)量比藥柱CT圖像的質(zhì)量要低得多。因此,采用合適的Mask R-CNN模型對藥柱CT圖像進行處理,可以達到更高的精度。

基于Mask R-CNN框架,可以簡化固體火箭發(fā)動機缺陷分析的步驟,將圖像分割與缺陷識別兩個步驟合并為一個,并且算法的精度并沒有下降,Mask R-CNN的應用將提高固體火箭發(fā)動機CT圖像缺陷分析的效率,簡化分析步驟。

傳統(tǒng)的藥柱CT圖像中缺陷分析大多是在對圖像中缺陷進行分割的基礎上進行,利用四種典型缺陷的特征不同實現(xiàn)缺陷種類的識別,在這個過程中,需要人為參與設計多種缺陷的特征,以適應形狀、灰度多變的藥柱缺陷。而基于深度學習的藥柱CT圖像缺陷分析,通過預先準備的數(shù)據(jù)集對算法模型進行大量的訓練,使得算法模型能夠自動對輸入圖片進行判別,在沒有分割藥柱中缺陷的需求情況下,不需進行缺陷分割,能夠減少缺陷分析的流程,提高效率。

基于目標檢測的深度學習方法,可實現(xiàn)缺陷識別;基于全卷積神經(jīng)網(wǎng)絡的深度學習,可實現(xiàn)藥柱CT圖像缺陷分割;而基于Mask R-CNN的方法,則可實現(xiàn)藥柱CT圖像缺陷識別和缺陷分割。在數(shù)據(jù)集的數(shù)量能夠滿足深度學習要求的前提下,深度學習的方法可以很好地滿足藥柱CT圖像缺陷分析的要求,相比于傳統(tǒng)缺陷分析方法有著極大的進步,是未來藥柱CT圖像缺陷分析技術的發(fā)展趨勢。

3 結(jié)束語

(1)現(xiàn)有的無損檢測手段能夠有效地檢測出固體火箭發(fā)動機藥柱中存在的缺陷。工業(yè)CT探傷的檢測質(zhì)量高于超聲波探傷和X射線探傷,但成本較高,檢測效率也不高。

(2)固體火箭發(fā)動機藥柱CT圖像缺陷分析技術主要分為缺陷分割與識別兩方面,而傳統(tǒng)的缺陷分析技術存在效率不高、人為干預較強的缺點?；谏疃葘W習的藥柱CT圖像缺陷分析技術能避免這些缺點,且精度相比于傳統(tǒng)的方法有較大的提高,是未來固體火箭發(fā)動機藥柱CT圖像缺陷分析技術的發(fā)展方向。

(3)目前,基于深度學習的方法對藥柱CT圖像缺陷進行分析的技術途徑已經(jīng)成熟,Faster R-CNN、FCN、Mask R-CNN等深度學習模型均能很好地實現(xiàn)藥柱缺陷分析需求,尚未出現(xiàn)成熟的應用主要是受限于圖像數(shù)據(jù)量不足,在保持良好檢測精度的同時,降低深度學習模型的訓練成本以及增強對小目標缺陷檢測能力是基于深度學習的藥柱CT圖像缺陷分析技術需要解決的問題。