基于超分辨率的螺栓孔內(nèi)螺紋尺寸檢測(cè)方法

摘" 要：分析國(guó)內(nèi)外虛擬裝配技術(shù)，發(fā)現(xiàn)由于輸電塔零件尺寸較大，尺寸參數(shù)獲取誤差較大，使得虛擬裝配這一技術(shù)在輸電塔的應(yīng)用上準(zhǔn)確率偏低。該文構(gòu)建螺栓孔內(nèi)螺紋尺寸檢測(cè)系統(tǒng)，并進(jìn)行算法模型改進(jìn)，提升模型的魯棒性，增強(qiáng)重建圖像的質(zhì)量，通過(guò)實(shí)驗(yàn)驗(yàn)證該尺寸檢測(cè)系統(tǒng)的標(biāo)準(zhǔn)差為0.000 854 mm、極差為0.002 mm，相比傳統(tǒng)的輸電塔上尺寸檢測(cè)系統(tǒng)在精度和穩(wěn)定性上有著較大提升，對(duì)于提高輸電塔的虛擬裝配的準(zhǔn)確性有著積極意義。

關(guān)鍵詞：輸電塔；螺栓孔；內(nèi)螺紋；虛擬裝配；尺寸檢測(cè)

中圖分類號(hào)：TG85" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：2095-2945（2025）01-0141-05

Abstract： By analyzing the virtual assembly technologies at home and abroad， it is found that due to the relatively large size of transmission tower components， the acquisition error of size parameters is relatively large， resulting in a relatively low accuracy rate of the application of virtual assembly technology in transmission towers. In this paper， a size detection system for internal threads in bolt holes is constructed， and the algorithm model is improved， which enhances the robustness of the model and improves the quality of reconstructed images. Through experiments， it is verified that the standard deviation of this size detection system is 0.000 854 mm and the range is 0.002 mm. Compared with the traditional size detection systems on transmission towers， it has a significant improvement in accuracy and stability， which has a positive significance for improving the accuracy of virtual assembly of transmission towers.

Keywords： transmission towers; bolt holes; internal threads; virtual assembly; dimensional inspection

中國(guó)經(jīng)濟(jì)發(fā)展已經(jīng)進(jìn)入新常態(tài)，低碳高效是時(shí)代的主旋律，其中電力是重要的基礎(chǔ)能源。輸電鐵塔作為電力傳輸?shù)闹匾A(chǔ)設(shè)施，其如何低碳高效地生產(chǎn)、安裝一直是廣大輸電鐵塔工程師普遍關(guān)心的問(wèn)題。在輸電鐵塔的設(shè)計(jì)、安裝等環(huán)節(jié)上做出突破，有效減少?gòu)U品率，達(dá)到低碳高效的生產(chǎn)安裝，是該行業(yè)進(jìn)入高效發(fā)展的標(biāo)志之一。目前最常見(jiàn)的是通過(guò)虛擬裝配[1]檢測(cè)技術(shù)改進(jìn)輸電塔的檢測(cè)環(huán)節(jié)，而在虛擬裝配檢測(cè)技術(shù)[2-4]中，零件的尺寸參數(shù)的準(zhǔn)確性尤為重要。

在獲取尺寸參數(shù)方面，傳統(tǒng)的人工測(cè)量方法正逐漸被機(jī)器視覺(jué)技術(shù)[5]所取代。早期人工測(cè)量方法由于使用手工測(cè)量?jī)x進(jìn)行抽檢，無(wú)法批量檢測(cè)，并且精度有限，容易誤檢。隨著技術(shù)的發(fā)展，各種機(jī)械和光學(xué)設(shè)備被研制出來(lái)用作尺寸檢測(cè)，例如3D激光測(cè)量?jī)x、三坐標(biāo)測(cè)量機(jī)等設(shè)備，但這些設(shè)備存在成本高、適用范圍小等問(wèn)題。由此，機(jī)器視覺(jué)檢測(cè)技術(shù)開(kāi)始被廣泛應(yīng)用[6-7]。

由于輸電塔各個(gè)零件之間主要是靠螺栓相連接，所以虛擬裝配過(guò)程中，螺栓之間的相互配合至關(guān)重要，而螺栓是標(biāo)準(zhǔn)件，螺栓的裝配主要受螺栓孔內(nèi)螺紋尺寸的影響，所以提高螺栓孔內(nèi)螺紋尺寸檢測(cè)的準(zhǔn)確性更是重中之重。因?yàn)檩旊娝慵叽巛^大，拍攝的圖像經(jīng)放大后會(huì)降低圖像分辨率，以至于不易選擇測(cè)量邊界，針對(duì)這一問(wèn)題本文提出基于生成式對(duì)抗網(wǎng)絡(luò)的超分辨率（SRGAN）的大規(guī)格零件下螺栓孔內(nèi)螺紋尺寸檢測(cè)系統(tǒng)。

本文提出的螺栓孔內(nèi)螺紋尺寸檢測(cè)系統(tǒng)主要分為3個(gè)步驟，步驟一，通過(guò)圖像預(yù)處理以及圖像超分辨率對(duì)圖像進(jìn)行增強(qiáng)；步驟二，進(jìn)行圖像優(yōu)化，降低測(cè)量誤差，以及邊緣檢測(cè)，確定圖像邊界；步驟三，通過(guò)實(shí)驗(yàn)獲取螺栓孔內(nèi)螺紋尺寸參數(shù)，從而反向驗(yàn)證尺寸檢測(cè)系統(tǒng)的可行性以及準(zhǔn)確性。本文的貢獻(xiàn)主要有以下3個(gè)部分。第一，引入超分辨率的算法模型對(duì)放大后的圖像進(jìn)行圖像增強(qiáng)，并基于該算法模型提出了一種適用于輸電塔上大規(guī)格零件螺栓孔內(nèi)螺紋尺寸檢測(cè)系統(tǒng)。第二，改進(jìn)了當(dāng)前主流超分辨率算法模型，提升了生成圖像的質(zhì)量，增強(qiáng)了生成對(duì)抗網(wǎng)絡(luò)（GAN）模型訓(xùn)練的穩(wěn)定性。第三，相較于常規(guī)視覺(jué)檢測(cè)系統(tǒng)測(cè)量輸電塔零件螺栓孔內(nèi)螺紋的尺寸，本文提出的基于超分辨率的輸電塔螺栓孔內(nèi)螺紋尺寸檢測(cè)系統(tǒng)在測(cè)量精度上取得顯著提升。

1" 超分辨率算法的改進(jìn)

1.1" 融合注意力機(jī)制模塊

由于SRGAN模型重建存在著參數(shù)繁冗、訓(xùn)練過(guò)程不穩(wěn)定以及圖片的細(xì)節(jié)紋理模糊等問(wèn)題，本文提出了一種融合注意力機(jī)制的圖像超分辨率重建模型。目前主流的注意力機(jī)制可以分為以下3種：通道注意力、空間注意力以及自注意力。本文構(gòu)建了一種先通道后空間的雙重注意力機(jī)制網(wǎng)絡(luò)[8-9]，用來(lái)獲取不同的通道和空間特征的重要性所對(duì)應(yīng)的權(quán)重參數(shù)，由此可以自主根據(jù)該權(quán)重參數(shù)分配計(jì)算資源達(dá)到增強(qiáng)重要特征抑制次要特征的目的。

為了能夠提高通道注意力的計(jì)算效率，通常采用平均池化的操作來(lái)壓縮特征圖的空間維數(shù)，根據(jù)深度學(xué)習(xí)注意力機(jī)制（CBAM）中最大池化能夠收集不同的對(duì)象對(duì)應(yīng)的特征，從而能更加地細(xì)致化通道特征。所以本文的通道注意力模塊中同時(shí)應(yīng)用平均池化以及最大池化，如公式（1）所示

式中：Mc代表通道注意力模塊，σ代表Sigmoid層，fc0和fc1代表全連接層，激活函數(shù)（ReLU）激活層在fc0之后進(jìn)行，F(xiàn)和F分別表示最大池化層和平均池化層，通道注意力模塊可表示如圖1所示。

本文中將空間注意力的計(jì)算通道分為平均池化和最大池化2個(gè)通道共同進(jìn)行，之后將二者連接起來(lái)構(gòu)成有效特征描述符，在該特征描述符中通過(guò)使用卷積層標(biāo)明將要增強(qiáng)或者抑制的位置。

空間注意力模塊如圖2所示。

本文中生成器的模型包括一個(gè)3×3卷積層，一個(gè)ReLU激活函數(shù)，接著把特征圖輸入雙重注意力機(jī)制模塊，該部分由5個(gè)基本雙重注意力塊構(gòu)成，然后進(jìn)行全局殘差，最后通過(guò)2個(gè)上采樣層和反卷積層得到高分辨率的圖像，同時(shí)為了降低該模型的計(jì)算量，本文中將生成器中冗余的批量標(biāo)準(zhǔn)化（BN）層刪除。

1.2" WGAN模型優(yōu)化

傳統(tǒng)的GAN模型采用JS（Jensen-shannon）散度描述圖像的真實(shí)分布和生成分布之間的距離[10-11]，其公式如下

式中：Pdata為圖像真實(shí)分布，Pg為圖像生成分布，而當(dāng)圖像的真實(shí)分布和生成分布的支撐集是高維空間里面的低維流形（manifold）時(shí)，二者相互獨(dú)立不發(fā)生重疊，根據(jù)公式可知，這時(shí)JS散度的值恒定為-2lg2，模型梯度為0，出現(xiàn)了梯度消失現(xiàn)象。針對(duì)這個(gè)問(wèn)題，后續(xù)有學(xué)者提出使用Wasserstein距離取代JS散度[12]，也就是WGAN。相比之下WGAN具有以下優(yōu)點(diǎn)：當(dāng)圖像的真實(shí)分布與圖像的生成分布不發(fā)生重疊時(shí)，Wasserstein距離能夠很好地反映出二者的距離，此距離即為圖像生成分布向圖像真實(shí)分布靠攏的最低代價(jià)，理想的情況下，Wasserstein距離W（Pr，Pg）連續(xù)可微。

但是，實(shí)際情況下WGAN時(shí)常出現(xiàn)梯度爆炸和梯度不收斂的現(xiàn)象，針對(duì)這一問(wèn)題，本文在原WGAN的基礎(chǔ)上添加懲罰項(xiàng)，從而實(shí)現(xiàn)Lipschitz 約束，很好地彌補(bǔ)了WGAN的缺點(diǎn)。如公式（3）所示為WGAN-GP的損失函數(shù)L（G，D）。

LG=1-DG（Z） 。" " " " nbsp; （3）

訓(xùn)練模型的過(guò)程中，使用Adam優(yōu)化器分別迭代L（G，D）和LG從而優(yōu)化生成器和判別器的參數(shù)。

2" 圖像處理

2.1" 圖像增強(qiáng)

由于輸電塔螺栓孔圖像在采集和傳輸?shù)倪^(guò)程中不可避免地會(huì)受到各種噪音干擾，因此需要選擇適當(dāng)?shù)膱D像濾波方法減少圖像中的噪聲，同時(shí)要保證螺栓孔內(nèi)螺紋的邊界完整性，常用的濾波方法有：均值濾波、中值濾波以及高斯濾波。

均值濾波可以將受到噪聲影響的像素使用該噪聲周圍的像素值進(jìn)行修復(fù)，很好地濾除椒鹽噪聲，但會(huì)破壞圖像的細(xì)節(jié)部分，使得圖像變得模糊。高斯濾波則主要用來(lái)去除高斯噪聲，但其效率比均值濾波低。相比而言，中值濾波具備較好的濾除椒鹽噪聲和脈沖噪聲的能力，同時(shí)不會(huì)造成圖像的明顯模糊，保護(hù)圖像的邊界信息。中值濾波如公式（4）

式中：G（x，y）為濾波后圖像灰度值；I（i，j）是原始圖像灰度值，Sxy為濾波窗口。

中值濾波的濾波大小指核的尺寸，也就是濾波窗口，濾波大小不同會(huì)導(dǎo)致中值濾波的效果有所差異。當(dāng)濾波大小較小時(shí)，只能過(guò)濾出較小的噪聲點(diǎn)，當(dāng)濾波大小較大時(shí)可以減少整體噪點(diǎn)數(shù)量，但是會(huì)使得圖像變模糊，損失較多細(xì)節(jié)信息。因此，在具體應(yīng)用中需要根據(jù)實(shí)際情況選擇合適的圖像濾波算法和參數(shù)，以達(dá)到最佳的濾波效果。本文分別采用了3×3模板和5×5模板對(duì)齒輪圖像進(jìn)行濾波處理，處理結(jié)果如圖3所示。從圖3中看出，5×5的模板濾波效果最好，既較好地去除了椒鹽噪聲，且邊緣細(xì)節(jié)保持較好。

2.2" 像素級(jí)輪廓提取

由于螺栓孔的內(nèi)螺紋尺寸精度要求很高，而輪廓提取算法的精度直接影響后續(xù)尺寸測(cè)量的精度。輪廓提取是根據(jù)圖像梯度完成的，也就是其周圍像素不連續(xù)或灰度梯度急劇變化的像素集，通過(guò)利用不同的算子對(duì)圖像進(jìn)行卷積運(yùn)算獲得圖像梯度，可見(jiàn)輪廓提取的核心是算子，常用的像素級(jí)的邊緣檢測(cè)算子有：一階的Roberts算子、Prewitt算子、Sobel算子和Canny算子等；二階的Laplacian算子等。綜合對(duì)比各算子的優(yōu)缺點(diǎn)以及適應(yīng)范圍后，由于Canny算子綜合了濾波、增強(qiáng)、檢測(cè)等多階段的邊緣檢測(cè)算子，其通過(guò)一階導(dǎo)數(shù)確定邊緣點(diǎn)，定位精度高、誤判率低、可抑制虛假邊緣等優(yōu)點(diǎn)，本文采用Canny算子對(duì)螺栓孔內(nèi)螺紋進(jìn)行像素級(jí)的邊緣提取進(jìn)行粗定位。

首先根據(jù)高斯公式生成一個(gè)高斯濾波算子，利用該濾波算子與待處理的像素點(diǎn)及鄰域內(nèi)像素點(diǎn)的灰度值進(jìn)行卷積實(shí)現(xiàn)加權(quán)平均運(yùn)算，從而達(dá)到去除圖像中高頻噪聲的效果；接著尋找圖像邊緣，即灰度強(qiáng)度變化最強(qiáng)的位置；由上述步驟得到的梯度圖像會(huì)存在邊緣模糊和寬度不均等問(wèn)題，因此需要對(duì)梯度圖像的非極大值點(diǎn)進(jìn)行抑制來(lái)剔除那些偽邊緣像素點(diǎn)。進(jìn)行非極大值抑制后得到的邊緣圖像還是會(huì)存在很多偽邊緣，還需使用雙閾值算法對(duì)邊緣進(jìn)行檢測(cè)。通過(guò)選取2個(gè)閾值，其中大于高閾值的像素點(diǎn)將被確定為強(qiáng)邊緣，小于低閾值的像素點(diǎn)確定為假邊緣，通常這2個(gè)閾值的大小為1∶2或1∶3。

經(jīng)Canny算子處理后的結(jié)果如圖4所示。

3" 實(shí)驗(yàn)與分析

3.1" 驗(yàn)證算法優(yōu)越性

相較于傳統(tǒng)SRGAN算法，本文融合了通道注意力以及空間注意力雙重注意力機(jī)制提升圖片的細(xì)節(jié)紋理，同時(shí)針對(duì)目前主流的WGAN模型中梯度爆炸和梯度不收斂的現(xiàn)象，在原WGAN的基礎(chǔ)上添加懲罰項(xiàng)，從而實(shí)現(xiàn)Lipschitz約束，彌補(bǔ)了WGAN這一缺點(diǎn)。評(píng)價(jià)指標(biāo)采用峰值信噪比PSNR和結(jié)構(gòu)相似度SSIM兩個(gè)常用的圖像重建質(zhì)量評(píng)價(jià)指標(biāo)，PSNR衡量重建的圖像的像素級(jí)差異，數(shù)值越高說(shuō)明圖像失真越少，圖像的還原度越高，SSIM的最大值為1，其值越接近1，表明得到的圖像越接近原始高分辨率圖像（HR圖像）。

本文選用一些經(jīng)典的方法復(fù)現(xiàn)，并且與本文中改進(jìn)的算法進(jìn)行對(duì)比，其中經(jīng)典的方法有雙三次插值（Bicubic），基于深度學(xué)習(xí)模型的超分辨率卷積神經(jīng)網(wǎng)絡(luò)（SRCNN）、SRGAN，數(shù)據(jù)集選用標(biāo)準(zhǔn)數(shù)據(jù)集Set5、Set14、BSD100以及Urban100，由于尺度因子放大會(huì)導(dǎo)致圖像超分辨率的難度同步增加，從而使得評(píng)價(jià)指標(biāo)的數(shù)值下降，所以本文采用目前主流使用的×4尺度因子進(jìn)行比較。

由表1、表2可以看出本文中的模型在PSNR以及SSIM中均取得較高的數(shù)值，與經(jīng)典的SRGAN模型相比在以上4個(gè)數(shù)據(jù)集上PSNR分別提高0.598、0.565、1.025、0.875 db；SSIM則分別提高0.008 7、0.009 1、0.01 21以及0.030 7，這些數(shù)據(jù)說(shuō)明了本文提出的融合通道空間雙重注意力機(jī)制的WGAN-GP模型客觀上是可靠且有效的并且優(yōu)于傳統(tǒng)模型。

主觀方面上選取拍攝獲得的標(biāo)準(zhǔn)塊螺栓孔圖像在×4尺度因子下進(jìn)行圖像重建，其中HR為原始高分辨率圖像，從圖5可以看出，本文提出的模型重建生成的圖像主觀視覺(jué)感受清晰，并且圖像細(xì)節(jié)紋理較為豐富，總體而言本模型重建生成的圖像與原圖十分接近，主觀感受質(zhì)量?jī)?yōu)秀。

3.2" 尺寸檢測(cè)實(shí)驗(yàn)

為了驗(yàn)證本文所提出的基于融合注意力機(jī)制的WGAN-GP生成式對(duì)抗網(wǎng)絡(luò)的尺寸測(cè)量系統(tǒng)的準(zhǔn)確率，對(duì)系統(tǒng)進(jìn)行參數(shù)測(cè)量重復(fù)實(shí)驗(yàn)。在保證同一測(cè)試環(huán)境下對(duì)一標(biāo)準(zhǔn)塊上螺栓孔內(nèi)螺紋進(jìn)行50次重復(fù)測(cè)量，采用一鍵式測(cè)量影像儀系統(tǒng)，將所得數(shù)據(jù)與標(biāo)準(zhǔn)塊上螺栓孔內(nèi)螺紋標(biāo)準(zhǔn)尺寸做對(duì)比，標(biāo)準(zhǔn)塊螺栓孔內(nèi)螺紋內(nèi)徑為8.10 mm，將50次重復(fù)測(cè)量的螺栓孔內(nèi)螺紋直徑數(shù)據(jù)繪制圖表如圖6和表3所示。

根據(jù)重復(fù)測(cè)量的尺寸數(shù)據(jù)可知，孔內(nèi)直徑測(cè)量的平均值為8.100 mm，與標(biāo)準(zhǔn)塊螺栓孔內(nèi)螺紋標(biāo)準(zhǔn)值一致，測(cè)量的標(biāo)準(zhǔn)差為00.000 854，極差為0.002 mm。綜合分析，本文的研究方法對(duì)于螺栓孔內(nèi)螺紋直徑尺寸測(cè)量重復(fù)誤差小于5 μm，證明了該方法具有良好的檢測(cè)準(zhǔn)確性，滿足檢測(cè)方法的設(shè)計(jì)需求。

4" 結(jié)論

本文針對(duì)輸電塔虛擬裝配檢測(cè)中出現(xiàn)的大尺寸零件上的螺栓孔內(nèi)螺紋尺寸檢測(cè)誤差較大這一問(wèn)題，提出了基于改進(jìn)后的超分辨率的螺栓孔內(nèi)螺紋尺寸檢測(cè)系統(tǒng)。該系統(tǒng)使用CCD相機(jī)收集檢測(cè)圖像，并對(duì)收集的圖像進(jìn)行預(yù)處理，接著利用改進(jìn)后的超分辨率算法進(jìn)行圖像增強(qiáng)，最后與尺寸檢測(cè)技術(shù)相結(jié)合，實(shí)現(xiàn)了大尺寸零件螺栓孔內(nèi)螺紋的精準(zhǔn)檢測(cè)。相較傳統(tǒng)的檢測(cè)方法，本研究的主要貢獻(xiàn)是改進(jìn)了常規(guī)的超分辨率算法，并基于此提出了適用于大尺寸零件的螺栓孔內(nèi)螺紋檢測(cè)方法。該方法通過(guò)提升圖片放大后的圖像清晰程度，使得圖像中輪廓更為清晰，灰度分布更為分明，從而進(jìn)一步提高了螺栓孔內(nèi)螺紋的檢測(cè)精度，成功克服了輸電塔在虛擬裝配檢測(cè)過(guò)程中存在的大零件螺栓孔內(nèi)螺紋尺寸檢測(cè)準(zhǔn)確率低這一困難，從而降低了生產(chǎn)成本，提高了檢測(cè)效率，在輸電塔的虛擬裝配檢測(cè)領(lǐng)域有著重大意義。

參考文獻(xiàn)：

[1] DYCK F， ANACKER H， DUMITRESCU R. Virtual Assembly for Engineering——A Systematic Literature Review[J]. Procedia CIRP，2023（118）：912-917.

[2] 潘智婷.統(tǒng)計(jì)技術(shù)在輸電鐵塔加工質(zhì)量及成本控制中的應(yīng)用[J].科技視界，2021（10）：159-160.

[3] 韓達(dá)光.三維激光掃描建模技術(shù)在質(zhì)量安全檢測(cè)領(lǐng)域的應(yīng)用領(lǐng)域現(xiàn)狀及展望[C]//中國(guó)鋼結(jié)構(gòu)協(xié)會(huì)；中國(guó)鋼鐵工業(yè)協(xié)會(huì)；中國(guó)冶金建設(shè)協(xié)會(huì).中國(guó)鋼結(jié)構(gòu)協(xié)會(huì)；中國(guó)鋼鐵工業(yè)協(xié)會(huì)；中國(guó)冶金建設(shè)協(xié)會(huì)，2013.

[4] 王國(guó)俊.基于選區(qū)激光燒結(jié)快速成形技術(shù)的軟件系統(tǒng)研究與實(shí)現(xiàn)[D].南京：南京航空航天大學(xué)，2005.

[5] MOORE P， PARGETER A. Comparison of using the crack mouth displacement（CMOD） and load line displacement （LLD） methods in the determination of critical J integral in SENB specimens[J]. FATIGUE amp; FRACTURE OF ENGINEERING MATERIALS amp; STRUCTURES， 2018，41（9）：1997-2009.

[6] 王俊，于金玲.解析逆向工程在飛機(jī)制造業(yè)中的應(yīng)用[J].中國(guó)科技博覽，2014（22）：243.

[7] 郭獻(xiàn)濤.基于地面三維脈沖激光掃描技術(shù)的變形監(jiān)測(cè)若干問(wèn)題研究[J].測(cè)繪學(xué)報(bào)，2021，50（4）：568.

[8] TRAN N T， TRAN V H， NGUYEN N B， et al. On Data Augmentation for GAN Training[J]. IEEE TRANSACTIONS ON IMAGE PROCESSING，2021（30）：1882-1897.

[9] 韓念坤.基于SolidWorks二次開(kāi)發(fā)的注塑機(jī)合模鈑金與塑化裝置系列化設(shè)計(jì)[D].北京：北京化工大學(xué)，2018.

[10] 歐長(zhǎng)勁，蘇之曉，李燕.基于SolidWorks API 的參數(shù)化設(shè)計(jì)及智能裝配研究[J].輕工機(jī)械，2012，30（5）：69-72.

[11] LIU Z， HE P， WANG F. PCB Defect Images Super-Resolution Reconstruction Based on Improved SRGAN[J]. APPLIED SCIENCES-BASEL，2023，13（11）.

[12] SU H， WANG X， HAN T，et al. Research on a U-Net Bridge Crack Identification and Feature-Calculation Methods Based on a CBAM Attention Mechanism[J]. BUILDINGS，2022，12（10）.