基于條紋投射三維測(cè)量的鉚釘自動(dòng)化檢測(cè)技術(shù)

梁瑩，王云帆，林時(shí)雨，3，何莊達(dá)，李旭東，3，趙慧潔，3

（1.上海航天精密機(jī)械研究所，上海 201600；2.北京航空航天大學(xué) 儀器科學(xué)與光電工程學(xué)院，北京 100191；3.北京航空航天大學(xué) 青島研究院，山東 青島 266100）

0 引言

鉚接工藝在空天制造中廣泛應(yīng)用，對(duì)于大型薄壁結(jié)構(gòu)來(lái)說(shuō)，其制造加工過(guò)程所需鉚釘多達(dá)數(shù)十萬(wàn)個(gè)。為了質(zhì)量控制，有諸多鉚接參數(shù)需要自動(dòng)化測(cè)量，其中包括鉚釘鐓頭尺寸（直徑、高度）以及缺陷檢測(cè)。一方面，鐓頭尺寸是反映鉚接件疲勞性能的關(guān)鍵參數(shù)之一，有助于估算鉚接時(shí)施加的擠壓力［1］和干涉值［2］；另一方面，鐓頭表面開裂降低成品的安全性和完整性［3-4］，需要及時(shí)反饋生產(chǎn)制造部門。然而，對(duì)于大型部件制造檢測(cè)，由于鉚接點(diǎn)數(shù)量較多，現(xiàn)有手段效率仍然低下，因此急需一種高精度的自動(dòng)化鉚釘鐓頭檢測(cè)手段，提高生產(chǎn)制造及檢測(cè)效率。

現(xiàn)有檢測(cè)手段以無(wú)損探傷裂紋檢測(cè)為主，缺少幾何尺寸檢測(cè)。電渦流技術(shù)（Eddy Current，EC）采用電磁感應(yīng)探頭檢測(cè)次表面損傷，常見探頭包括傳感線圈［5］、霍爾傳感器［6］、巨磁變傳感器［7］或磁光成像傳感器［8］等。超聲檢測(cè)［9］利用超聲信號(hào)頻譜分析檢測(cè)裂紋，利用飛行時(shí)間法估計(jì)裂紋深度。這些方法可以有效探測(cè)遠(yuǎn)端缺陷，但是無(wú)法檢測(cè)結(jié)構(gòu)尺寸，并且需要額外的傳感器來(lái)定位鉚釘，因此很難實(shí)現(xiàn)大型結(jié)構(gòu)的自動(dòng)化測(cè)量。除無(wú)損探傷以外，機(jī)器視覺技術(shù)［10-13］也被用于定位和檢查鉚釘。LIU等［11］開發(fā)了一種名為EOL（Edge of LightTM）的增強(qiáng)視覺檢測(cè)系統(tǒng)，可以實(shí)現(xiàn)鉚釘自動(dòng)定位，并檢測(cè)隱藏的腐蝕損傷。然而，該系統(tǒng)只能采集二維圖像，同樣無(wú)法提取幾何尺寸。

在鐓頭尺寸檢測(cè)方面，目前主流檢測(cè)過(guò)程仍然采用卡尺等方式手工檢測(cè)，其精度受限于人員操作，且不適用于大規(guī)模鉚接檢測(cè)。2020 年，XIE等［14］利用三維掃描儀實(shí)現(xiàn)了鉚接點(diǎn)的自動(dòng)化分析，使用商用三維激光掃描儀獲取鉚接的飛機(jī)蒙皮的三維數(shù)據(jù)，然后進(jìn)行多重結(jié)構(gòu)擬合來(lái)檢測(cè)鉚釘；但現(xiàn)有掃描設(shè)備測(cè)點(diǎn)云質(zhì)量較差、噪聲嚴(yán)重、輪廓缺失且點(diǎn)云密度各向異性，影響算法穩(wěn)定性。

同時(shí)獲取鉚接件表面致密的三維數(shù)據(jù)以及二維紋理圖像是鐓頭尺寸參數(shù)提取和表面裂紋缺陷識(shí)別的關(guān)鍵。條紋投射法是一種廣泛應(yīng)用于三維形貌測(cè)量的方法，其具有精度高、速度快、測(cè)量靈活、點(diǎn)云稠密的優(yōu)點(diǎn)［15］。高動(dòng)態(tài)范 圍（High Dynamic Range，HDR）條紋投射法［16］可以有效克服鐓頭表面強(qiáng)反光等問(wèn)題，實(shí)現(xiàn)表面三維重構(gòu)［17］，適用于鉚接件的自動(dòng)化三維測(cè)量。此外，其恢復(fù)的紋理信息可以進(jìn)一步提高缺陷檢測(cè)精度。在此基礎(chǔ)上，本文提出一種基于條紋投射三維測(cè)量的鉚釘自動(dòng)化檢測(cè)技術(shù)，可以實(shí)現(xiàn)鉚接鐓頭的自動(dòng)化識(shí)別、分割、尺寸特征提取以及缺陷識(shí)別。

1 基本原理

1.1 整體思路

條紋投射法通過(guò)向被測(cè)物表面投射相移正弦條紋圖案，如圖1 所示，相機(jī)同步采集，根據(jù)條紋圖像解算的絕對(duì)相位和雙目立體視覺原理實(shí)現(xiàn)稠密三維測(cè)量，該方法可以同時(shí)獲取點(diǎn)云數(shù)據(jù)和二維紋理圖像［18］。

圖1 基于條紋投射的鉚釘檢測(cè)原理Fig.1 Rivet detection principle based on fringe projection

由于鉚接件表面存在強(qiáng)反光，采用HDR 技術(shù)可以有效提升拍攝圖像動(dòng)態(tài)范圍，避免圖像飽和與失真。在獲取鐓頭三維和二維數(shù)據(jù)后，鉚接點(diǎn)可以通過(guò)二、三維結(jié)合的方法進(jìn)行點(diǎn)云分割，其中鐓頭特征尺寸可以在點(diǎn)云上自動(dòng)化提取。由于表面反射率不均一，三維點(diǎn)云容易出現(xiàn)點(diǎn)云缺失或噪聲過(guò)大，而二維紋理圖像相對(duì)穩(wěn)定，因此本文使用二維圖像進(jìn)行缺陷識(shí)別。

整體思路如圖2 所示，首先通過(guò)HDR 條紋獲取技術(shù)，獲得多亮度條紋圖像，分別用于HDR 條紋合成和HDR 紋理合成。其中，HDR 條紋用于相位獲取和三維重建，HDR 紋理圖用于鉚接點(diǎn)定位和感興趣區(qū)域（Region of Interest，ROI）分割。根據(jù)紋理圖的ROI 區(qū)域，查找對(duì)應(yīng)的三維點(diǎn)云，進(jìn)行精分割，同時(shí)提取直徑和高度等尺寸參數(shù)。分割后的ROI 紋理圖輸入缺陷識(shí)別神經(jīng)網(wǎng)絡(luò)，用于對(duì)有缺陷的鉚接點(diǎn)二分類。

圖2 鉚接件檢測(cè)流程Fig.2 Flow chart of rivet detection

1.2 高動(dòng)態(tài)條紋投射三維測(cè)量及紋理合成

為了保證鉚釘鐓頭強(qiáng)反光表面三維測(cè)量精度，采用外差多頻相移技術(shù)，其基本原理是將相移正弦條紋序列投射至物體表面，從拍攝的圖像中逐點(diǎn)解算出被物體形狀調(diào)制的相位信息。對(duì)于四步相移算法，投射條紋可以表示為

式中：(x，y)為投影儀坐標(biāo)；Ii(x，y)為光強(qiáng)大?。籥(x，y) 為平均強(qiáng) 度；b(x，y) 為強(qiáng)度調(diào)制系數(shù)；φ(x，y)為包裹相位。

φ(x，y)可由下式求解：

由于使用了反正切函數(shù)，解出的相位被包裹在［-π，π］范圍內(nèi)。進(jìn)一步采用外差多頻相展開法［18］確定條紋級(jí)數(shù)，消除2π 不連續(xù)，獲取絕對(duì)相位；繼而使用展開的連續(xù)相位圖進(jìn)行雙目立體匹配和三維重建。對(duì)于雙目系統(tǒng)，每個(gè)相機(jī)可以表示為

式中：s為縮放系數(shù)；u、v為像平面坐標(biāo)；A為相機(jī)內(nèi)參數(shù)；R為旋轉(zhuǎn)矩陣；t為平移向量；X、Y、Z為三維空間坐標(biāo)。

或?yàn)楹?jiǎn)單起見：

式中：M為3×4 投影矩陣，可通過(guò)相機(jī)標(biāo)定［19］確定；p為像平面坐標(biāo)；X為三維空間坐標(biāo)。

結(jié)合左右相機(jī)方程，用相位匹配點(diǎn)坐標(biāo)代入p，即可求出三維坐標(biāo)X：

式中：上標(biāo)l、r 分別為左相機(jī)和右相機(jī)。

在實(shí)際應(yīng)用中，由于鉚接件表面粗糙度和材料反光性質(zhì)不同，其表面反射率變化較大，該反射特性導(dǎo)致條紋投射傳感器的信噪比不均勻，部分測(cè)量區(qū)域傳感器飽和，故需使用HDR 方法。在前期工作中［11］，提出了基于多亮度的HDR 條紋獲取方法。該方法通過(guò)改變投影儀投射亮度和相機(jī)曝光時(shí)間，采集不同亮度等級(jí)下的條紋圖像。對(duì)于不同亮度等級(jí)的條紋圖像，首先進(jìn)行HDR 相位解算，對(duì)不同亮度等級(jí)的條紋填，利用調(diào)制度最大原則合成HDR條紋圖。計(jì)算掩膜Maskn(x，y)，公式如下：

式中：Bn為調(diào)制度；N為亮度等級(jí)數(shù)；Iin(x，y)為第n個(gè)亮度等級(jí)下第i步條紋圖像，n=1，2，…，N。

獲取掩膜后，分別與條紋圖像相乘，獲得HDR條紋圖Fi(x，y)，即：

之后，運(yùn)用式（2）獲取包裹相位，并利用外差多頻法展開相位，根據(jù)前述原理三維重建，即可獲得三維點(diǎn)云數(shù)據(jù)。其次，合成HDR 二維紋理圖像。根據(jù)采集到的條紋圖，分別計(jì)算各個(gè)亮度等級(jí)下的紋理圖像：

式中：I0n（x，y）為第n個(gè)亮度等級(jí)下的紋理圖像。

然后利用Mertans HDR 成像技術(shù)［20］合成HDR二維紋理圖像，該方法無(wú)需估計(jì)相機(jī)響應(yīng)曲線，可直接對(duì)不同亮度等級(jí)下計(jì)算的紋理圖像I0n（x，y）進(jìn)行HDR 合成，計(jì)算相率更高。

1.3 二、三維結(jié)合的鉚接點(diǎn)點(diǎn)云分割及尺寸特征提取

分割目的是對(duì)鉚接點(diǎn)進(jìn)行識(shí)別定位，并分離鐓頭上下表面。由于直接在稠密三維點(diǎn)云上運(yùn)行特征提取速度較慢、精度較差，因此本文采取二、三維結(jié)合的鉚接點(diǎn)分割策略，基本流程如圖3 所示。

圖3 分割算法流程Fig.3 Flow chart of the segmentation algorithm

鐓頭分割需要確定鉚接點(diǎn)位ROI 區(qū)域，并將區(qū)域內(nèi)的鐓頭點(diǎn)云分割為上表面及底面。首先，采用Hough 圓變換算法［21］在HDR 二維紋理中定位鉚接點(diǎn)，并分割直徑1.5 倍矩形區(qū)域作為ROI 區(qū)域進(jìn)行進(jìn)一步處理。然后，針對(duì)每一個(gè)ROI 區(qū)域，查找像素對(duì)應(yīng)的三維點(diǎn)深度值Z，生成ROI 深度圖。由于鐓頭上表面與桁條等鉚接底面之間存在高度差階躍，可以使用Otsu 算法［22］進(jìn)行分割，將ROI 深度圖分割為鐓頭上表面和底面。最后，遍歷每個(gè)ROI 深度圖上表面，采用Canny 算子［23］和插值方法進(jìn)行亞像素邊緣圖提取。針對(duì)每個(gè)邊緣輪廓，分別進(jìn)行橢圓擬合，并根據(jù)平均深度、長(zhǎng)短軸比、面積閾值條件進(jìn)行初步篩選，剔除長(zhǎng)短軸比過(guò)大、面積較小、平均深度較小的邊緣。最終留下的則為包含鐓頭上下表面的ROI 區(qū)域，其中橢圓輪廓內(nèi)為鐓頭上表面，其余區(qū)域?yàn)殓咁^下表面。根據(jù)ROI 圖像像素坐標(biāo)即可查找對(duì)應(yīng)三維點(diǎn)云，實(shí)現(xiàn)點(diǎn)云分割。

分割上下表面點(diǎn)云之后，即可提取尺寸特征。尺寸提取過(guò)程中，分別對(duì)得到的n組ROI 點(diǎn)云進(jìn)行平面擬合及橢圓擬合來(lái)完成最終的參數(shù)提取，主要步驟包括：①對(duì)n組ROI 點(diǎn)云依次進(jìn)行處理。每一組點(diǎn)云中分別對(duì)鉚釘鐓頭上表面點(diǎn)云和底面點(diǎn)云進(jìn)行迭代平面擬合，剔除離群點(diǎn)的同時(shí)得到各自的平面法線。② 將剔除了離群點(diǎn)的鐓頭上表面點(diǎn)云，根據(jù)其平面法線投影至平面，再對(duì)投影至平面的鉚釘表面點(diǎn)生成凸包。③將生成的凸包點(diǎn)視為鉚釘邊緣，對(duì)其進(jìn)行橢圓擬合，再利用標(biāo)定參數(shù)將其反演到三維點(diǎn)云，得到空間橢圓。④ 計(jì)算橢圓中心點(diǎn)至底面的距離，即為鐓頭高度，再根據(jù)橢圓長(zhǎng)短軸計(jì)算鐓頭直徑。

1.4 基于深度學(xué)習(xí)的鐓頭缺陷識(shí)別

鉚釘鐓頭檢測(cè)的另一個(gè)需求是缺陷識(shí)別，即判斷視場(chǎng)范圍內(nèi)的鐓頭表面是否有裂縫缺陷。由于點(diǎn)云容易受噪聲和缺失影響，而二維紋理圖像相對(duì)穩(wěn)定，本文采用深度學(xué)習(xí)技術(shù)，對(duì)鐓頭ROI 的HDR二維紋理圖像進(jìn)行特征提取和缺陷識(shí)別。

考慮到缺陷樣本數(shù)據(jù)集的規(guī)模較小，為了避免模型過(guò)擬合，本文搭建了一個(gè)采用了殘差塊［24］結(jié)構(gòu)的小規(guī)模卷積神經(jīng)網(wǎng)絡(luò)模型，其結(jié)構(gòu)如圖4 所示。模型采用殘差塊結(jié)構(gòu)來(lái)對(duì)鐓頭的HDR 二維紋理圖像進(jìn)行特征提取。網(wǎng)絡(luò)的輸入是根據(jù)1.3節(jié)中的方法分割得到ROI 鉚接鐓頭HDR 紋理圖像，輸出為缺陷鐓頭概率。網(wǎng)絡(luò)共使用3 個(gè)殘差塊，每個(gè)殘差塊包括2 層卷積以及連接輸入、輸出的短路連接通路，在每個(gè)殘差塊結(jié)構(gòu)前，網(wǎng)絡(luò)采用了卷積層和最大值池化進(jìn)行特征提取和數(shù)據(jù)的降采樣，從而降低了模型的復(fù)雜度。具體來(lái)說(shuō)，輸入的ROI 圖像首先經(jīng)由3×3×8 的卷積層池化層，后輸入進(jìn)由兩個(gè)3×3×8 卷積層構(gòu)成的殘差塊；然后傳入3×3×16 的卷積層池化層，輸入進(jìn)由兩個(gè)3×3×16 卷積層構(gòu)成的殘差塊；最后，傳入3×3×24的卷積層池化層，輸入進(jìn)由兩個(gè)3×3×24 卷積層構(gòu)成的殘差塊，經(jīng)由全連接和Softmax 層預(yù)測(cè)結(jié)果。通過(guò)以上的特殊結(jié)構(gòu)，數(shù)據(jù)特征的利用效率得到了提升，從而使模型在小規(guī)模的數(shù)據(jù)集上取得了更好的訓(xùn)練和測(cè)試結(jié)果。

圖4 模型結(jié)構(gòu)Fig.4 Model structure diagram

在特征提取后，模型采用3 層全連接網(wǎng)絡(luò)進(jìn)行分類。排列成1 維的特征數(shù)據(jù)被輸入到全連接網(wǎng)絡(luò)，輸出包含2 個(gè)元素的分類結(jié)果，對(duì)分類結(jié)果數(shù)據(jù)進(jìn)行softmax 操作，即可得到墩頭存在缺陷的概率。為了減小過(guò)擬合，在訓(xùn)練時(shí)對(duì)除了輸出層以外的全連接層進(jìn)行了dropout 操作，即按照一定比例，隨機(jī)地丟棄網(wǎng)絡(luò)節(jié)點(diǎn)，從而削弱全連接層網(wǎng)絡(luò)節(jié)點(diǎn)間的協(xié)同關(guān)系，提高模型的泛化能力。

2 實(shí)驗(yàn)及結(jié)果分析

2.1 實(shí)驗(yàn)裝置

系統(tǒng)采用雙目條紋投射配置，其中相機(jī)分辨率4 096×2 168，焦距25 mm，投影儀分辨率為1 280×800。系統(tǒng)工作距離為400 mm，視場(chǎng)范圍為300 mm×200 mm。選用多頻外差相展開法，條紋周期為13、14、15，并應(yīng)用7 個(gè)亮度等級(jí)進(jìn)行HDR 測(cè)量，系統(tǒng)實(shí)物如圖5 所示。

圖5 系統(tǒng)實(shí)物Fig.5 System objects

2.2 尺寸檢測(cè)精度評(píng)價(jià)

由于鉚釘鐓頭的真實(shí)尺寸難以獲取，為了評(píng)價(jià)尺寸提取精度，本文分別采用直徑、厚度標(biāo)準(zhǔn)器評(píng)價(jià)系統(tǒng)直徑測(cè)量和厚度測(cè)量精度，實(shí)測(cè)數(shù)據(jù)見表1。

表1 標(biāo)準(zhǔn)器實(shí)驗(yàn)結(jié)果Tab.1 Test results of standards

直徑精度評(píng)價(jià)采用7、8、9 mm 鎢鋼針規(guī)進(jìn)行測(cè)試。針規(guī)端面為標(biāo)準(zhǔn)圓，且反射特性與鉚釘鐓頭類似。為減少隨機(jī)誤差影響，每個(gè)針規(guī)重復(fù)測(cè)量5 次，取均值作為最終實(shí)測(cè)值，直徑以長(zhǎng)短軸均值計(jì)算。厚度采用標(biāo)準(zhǔn)金屬量塊進(jìn)行評(píng)測(cè)，兩個(gè)量塊疊加在一起，則其厚度為上方量塊標(biāo)稱厚度。實(shí)驗(yàn)結(jié)果可知，系統(tǒng)直徑測(cè)量精度可達(dá)0.040 mm，厚度測(cè)量精度可達(dá)0.013 mm。

2.3 深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練和測(cè)試

由于帶有裂縫的鐓頭樣本較難收集，實(shí)驗(yàn)采用電筆劃傷的鐓頭作為缺陷樣本，并采用前述實(shí)驗(yàn)系統(tǒng)采集HDR 紋理數(shù)據(jù)作為模型的輸入數(shù)據(jù)?？紤]系統(tǒng)硬件參數(shù)配置，實(shí)驗(yàn)構(gòu)建的數(shù)據(jù)集圖像分辨率為112×112，包含紋理圖像總數(shù)為310 張，其中存在缺陷的紋理圖像占比約8%。由于數(shù)據(jù)集規(guī)模較小，且標(biāo)簽的分布不均衡，本文對(duì)數(shù)據(jù)集進(jìn)行了數(shù)據(jù)增強(qiáng)處理。首先，在數(shù)據(jù)集中選取20 張作為原始測(cè)試集（其中缺陷紋理圖像占比約1/3），剩余的290 張圖像作為原始訓(xùn)練集；其次，對(duì)訓(xùn)練集中的缺陷紋理圖像進(jìn)行翻轉(zhuǎn)、裁剪、旋轉(zhuǎn)以及亮度和對(duì)比度變換，從而擴(kuò)增了缺陷紋理圖像數(shù)量，使訓(xùn)練集中缺陷紋理圖像占比約1/3，訓(xùn)練集總數(shù)達(dá)到380 張；最后，在模型訓(xùn)練的每次迭代過(guò)程中，對(duì)輸入的訓(xùn)練紋理圖像進(jìn)行隨機(jī)的翻轉(zhuǎn)、裁剪、旋轉(zhuǎn)變換。在模型測(cè)試過(guò)程中，同樣對(duì)測(cè)試數(shù)據(jù)進(jìn)行隨機(jī)的翻轉(zhuǎn)和旋轉(zhuǎn)變換。另外，考慮到實(shí)際測(cè)量時(shí)墩頭的HDR紋理數(shù)據(jù)可能受到多種噪聲影響，在訓(xùn)練數(shù)據(jù)中隨機(jī)地?fù)饺肓艘欢ū壤暮谙袼?，并加入了高斯模糊。以上?shù)據(jù)增強(qiáng)過(guò)程平衡了數(shù)據(jù)集的標(biāo)簽分布，擴(kuò)增了數(shù)據(jù)集的規(guī)模，使訓(xùn)練好的模型有更好的泛化性能和魯棒性。

模型的訓(xùn)練采用Adam 優(yōu)化器，權(quán)重衰減系數(shù)設(shè)置為0.000 1，損失函數(shù)為交叉熵函數(shù)。模型在訓(xùn)練集和測(cè)試集的正確率如圖6 所示。模型在約1 000 次迭代后趨向收斂，表現(xiàn)最優(yōu)的模型在訓(xùn)練集的準(zhǔn)確率達(dá)到100%，在測(cè)試集的檢測(cè)準(zhǔn)確率達(dá)到99.97%，表明本文采用的深度網(wǎng)絡(luò)模型實(shí)現(xiàn)了對(duì)鉚釘墩頭缺陷的高精度檢測(cè)。

圖6 訓(xùn)練和測(cè)試準(zhǔn)確率Fig.6 Training and testing accuracy

2.4 實(shí)物檢測(cè)

為驗(yàn)證系統(tǒng)在實(shí)際場(chǎng)景中的缺陷檢測(cè)效果，本文采用4 段鉚接桁條作為被檢樣本，分為9 個(gè)單視場(chǎng)進(jìn)行實(shí)物檢測(cè)。在142 個(gè)被檢測(cè)墩頭中，141 個(gè)墩頭被正確檢測(cè)，檢測(cè)的準(zhǔn)確率達(dá)到99.30%。墩頭缺陷檢測(cè)的具體結(jié)果見表2。

表2 缺陷檢測(cè)結(jié)果Tab.2 Results of crack detection

其中一個(gè)視場(chǎng)的檢測(cè)結(jié)果如圖7 所示。圖7（a）為系統(tǒng)重建點(diǎn)云數(shù)據(jù)，圖7（c）為合成HDR 二維紋理數(shù)據(jù)，圖7（b）、7（d）為黃色方框內(nèi)缺陷鐓頭的局部放大圖。圖7（c）中，紅色框標(biāo)識(shí)缺陷鐓頭，綠色框標(biāo)識(shí)正常鐓頭，可以看到算法正確識(shí)別了該視場(chǎng)內(nèi)的缺陷鐓頭。從圖7（b）和圖7（d）也可看到，電筆劃傷的缺陷無(wú)論在紋理圖還是三維點(diǎn)云中均可檢測(cè)到，系統(tǒng)具有良好的適應(yīng)性。

圖7 鉚釘檢測(cè)結(jié)果Fig.7 Results of rivet detection

3 結(jié)束語(yǔ)

本文提出了基于條紋投射三維測(cè)量的鉚釘自動(dòng)化檢測(cè)技術(shù)，采用基于HDR 原理的條紋投射光學(xué)三維測(cè)量技術(shù)，采集鉚接件表面三維點(diǎn)云和二維紋理圖像。本文的主要貢獻(xiàn)：①通過(guò)二、三維結(jié)合的點(diǎn)云分割，實(shí)現(xiàn)了鉚釘鐓頭特征尺寸的高精度提取。根據(jù)尺寸檢測(cè)精度評(píng)價(jià)結(jié)果，鉚釘墩頭直徑檢測(cè)精度優(yōu)于0.040 mm，厚度檢測(cè)精度優(yōu)于0.013 mm。② 搭建卷積神經(jīng)網(wǎng)絡(luò)，采用數(shù)據(jù)增強(qiáng)方法，在小規(guī)模數(shù)據(jù)集上訓(xùn)練網(wǎng)絡(luò)模型，實(shí)現(xiàn)裂痕缺陷識(shí)別，經(jīng)實(shí)物檢測(cè)驗(yàn)證，缺陷檢測(cè)精度達(dá)到99.30%。

后續(xù)工作將在本文提出的單視場(chǎng)鉚接件檢測(cè)方法基礎(chǔ)上，開展大型結(jié)構(gòu)件中多個(gè)鉚接點(diǎn)的定位及自動(dòng)化檢測(cè)應(yīng)用，研究考慮測(cè)量拼接、路徑規(guī)劃、全局坐標(biāo)系配準(zhǔn)、鐓頭定位等問(wèn)題的綜合檢測(cè)技術(shù)，滿足鉚釘鐓頭自動(dòng)化檢測(cè)的需要。