（四川大學(xué)制造科學(xué)與工程學(xué)院，成都 610065）

鉚接是飛機(jī)蒙皮上的主要連接形式，鉚接的質(zhì)量直接影響蒙皮甚至飛機(jī)整機(jī)結(jié)構(gòu)的性能。目前，在生產(chǎn)車間中，對(duì)于鉚釘尺寸距離的測量主要依靠人工完成，檢測效率低，不能滿足自動(dòng)化生產(chǎn)的要求。近年來，機(jī)器視覺技術(shù)已在檢測領(lǐng)域中得到了廣泛的應(yīng)用[1-5]。本文在國內(nèi)外相關(guān)研究基礎(chǔ)上[6-9]，基于機(jī)器視覺技術(shù)構(gòu)建了飛機(jī)蒙皮鉚釘?shù)囊曈X檢測系統(tǒng)平臺(tái)，該檢測系統(tǒng)的核心在于對(duì)采集的圖像進(jìn)行處理，而圖像分割技術(shù)則是圖像處理的關(guān)鍵技術(shù)之一，也是圖像理解的前提。

閾值分割是圖像分割中最常用的方法，通過適當(dāng)?shù)拈撝祵D像中的目標(biāo)與背景分開，為后續(xù)的識(shí)別提供依據(jù)。但是如何選取最優(yōu)的閾值、保證最好的分割效果是該分割方法的難點(diǎn)，也是研究人員長期研究的課題。機(jī)器視覺技術(shù)發(fā)展至今，人們已經(jīng)提出了很多選取閾值的方法，如迭代閾值法[10]、最大熵值閾值法[11]以及最大類間方差閾值法[12]等。其中最大類間方差一直被認(rèn)為是閾值分割的經(jīng)典方法，但是該方法計(jì)算量非常大。因此，本文結(jié)合改進(jìn)的遺傳算法來減少計(jì)算量、縮短運(yùn)算時(shí)間，并對(duì)遺傳算法進(jìn)行相應(yīng)的優(yōu)化，避免了過早收斂現(xiàn)象。

1 飛機(jī)蒙皮鉚接質(zhì)量檢測參數(shù)分析

鉚接是飛機(jī)上主要的連接形式，鉚釘連接示意如圖1所示。如圖可知，鉚接是鉚釘一端發(fā)生形變而形成的緊固連接，此形變是塑性變形，不能恢復(fù)，形變后形成的形變端類似于圓形，被連接件之間的載荷也主要由形變端承受。因此，飛機(jī)蒙皮鉚接質(zhì)量的檢測可以說是對(duì)形變端的檢測。

對(duì)于單個(gè)鉚釘而言，如果鉚接后所形成的形變端的直徑較大，則形變端的厚度必然會(huì)減小，此時(shí)該鉚釘?shù)牧W(xué)性能降低，容易損壞；如果鉚接后形變端的直徑較小，此時(shí)的連接不穩(wěn)定，容易導(dǎo)致鉚釘脫落。因此，單個(gè)鉚釘?shù)男巫兌酥睆奖仨氃谝?guī)定的范圍之內(nèi)，這也是衡量鉚接質(zhì)量的一個(gè)重要參數(shù)。

此外，飛機(jī)蒙皮零件之間的連接是由多個(gè)鉚釘鉚接而成，而工作時(shí)是希望將零件所受的載荷均勻分布在這些鉚釘上，但是如果某兩個(gè)鉚釘之間的距離較大，必然導(dǎo)致零件的載荷不能均勻分布，即存在一部分鉚釘所分擔(dān)的載荷比其他鉚釘所分擔(dān)的載荷大，在工作過程中這部分鉚釘容易被破壞。因此，對(duì)于飛機(jī)蒙皮零件而言，鉚釘之間的間距也是衡量鉚接質(zhì)量的一個(gè)重要參數(shù)。

綜上所述，鉚接之后形變區(qū)的直徑和鉚釘?shù)拈g距是衡量整個(gè)飛機(jī)蒙皮鉚接之間的參數(shù)，在飛機(jī)蒙皮鉚接質(zhì)量檢測系統(tǒng)中所檢測的參數(shù)也就是鉚釘鉚接后的形變尺寸和鉚釘?shù)拈g距。

2 視覺檢測系統(tǒng)總體設(shè)計(jì)

圖1 鉚釘連接示意圖Fig.1 Rivet connection image

圖2 視覺檢測系統(tǒng)結(jié)構(gòu)框圖Fig2 Diagram of visual system structure

3 圖像分割

為獲取鉚接之后的鉚釘?shù)淖冃纬叽绾豌T釘之間的間距，必須從蒙皮圖像中提取出鉚釘特征，因此蒙皮圖像分割是圖像處理必不可少的步驟。

3.1 最大類間方差閾值分割法

最大類間方差閾值分割方法基本思路是將圖像的直方圖以某一灰度為閾值，將圖像灰度值分成兩組并計(jì)算兩組方差，當(dāng)被分成的兩組之間的方差最大時(shí)，就以該灰度值為閾值分割圖像[13]。設(shè)1幅圖像灰度值個(gè)數(shù)為m，灰度值為i的像素為ni，則得到圖像總像素N為：

各灰度值的概率為：

設(shè)閾值k將圖像分為g0和g1(目標(biāo)和背景)兩組，g0、g1灰度值分別為 [0,1…k]和 [k+1,k+2…m]，則g0、g1組產(chǎn)生的概率分別為：

目標(biāo)組g0的灰度平均值為：

背景組g1的灰度平均值為：

可以預(yù)見，未來5G對(duì)于家電功能、性能上也將有較大的影響，更優(yōu)化的網(wǎng)絡(luò)環(huán)境有助于家電智能化的全面升級(jí)，在度過初期研發(fā)階段之后，成熟的5G產(chǎn)業(yè)將拉動(dòng)整個(gè)社會(huì)經(jīng)濟(jì)進(jìn)入新的快速發(fā)展時(shí)期。

整幅圖像灰度平均值為：

由上可得目標(biāo)組g0與背景組g1之間的方差d(k)計(jì)算公式如下：

由上可知，要使d(k)取得最大值，須對(duì)整幅圖像中的所有灰度值都進(jìn)行方差計(jì)算、比較，然后才能得到使類間方差取最大值的灰度閾值k*，這一過程需要大量的計(jì)算，尤其是在圖像較大時(shí)，需要很長的計(jì)算時(shí)間，這不僅對(duì)計(jì)算機(jī)硬件要求高，更重要的是降低了檢測效率。

3.2 基于改進(jìn)遺傳算法的最大類間方差閾值分割法

遺傳算法是模擬生物進(jìn)化自然選擇和遺傳機(jī)制的一種優(yōu)化算法，它具有強(qiáng)大的搜索尋優(yōu)能力，將遺傳算法與上述的最大類間方差閾值分割法結(jié)合起來用于圖像分割中，將最大類間方差閾值分割法中的方差計(jì)算式（8）作為遺傳算法的適應(yīng)度函數(shù)，利用遺傳算法搜尋最優(yōu)解的能力來減小最大類間方差閾值分割法中的計(jì)算量，這將彌補(bǔ)最大類間方差閾值分割法計(jì)算量大、計(jì)算時(shí)間長的缺點(diǎn)[14]。

在遺傳算法中，交叉和變異概率的選取是影響算法行為的關(guān)鍵因素，傳統(tǒng)簡單遺傳算法（SGA）中交叉和變異的概率在整個(gè)迭代過程中不變，這導(dǎo)致在迭代過程中出現(xiàn)迭代次數(shù)多、收斂性差且容易出現(xiàn)局部收斂等現(xiàn)象。而較理想的遺傳算法應(yīng)具有根據(jù)樣本適應(yīng)度值自動(dòng)調(diào)節(jié)交叉、變異概率的能力。首先在迭代初期，應(yīng)使適應(yīng)度值較小的樣本的交叉、變異概率偏高，從而使得種群中樣本更加豐富；同時(shí)對(duì)于出現(xiàn)的適應(yīng)度值較大的樣本應(yīng)減小其交叉、變異的幾率，使其保留至下一代，從而保存優(yōu)良基因，避免局部收斂。在迭代后期，由于交配池中保留下的樣本均接近最優(yōu)解，可降低整體的交叉、變異概率，同時(shí)，適應(yīng)度值越大的樣本的交叉、變異概率越小。

對(duì)于上述較理想的遺傳算法，其交叉變異概率在整個(gè)尋優(yōu)過程中是變化的，變化趨勢如圖3所示。在迭代初期，交叉、變異概率平均高于迭代后期，同時(shí)，每一代樣本中，適應(yīng)度值不同的樣本交叉、變異的概率隨適應(yīng)度值的變化而變化，適應(yīng)度值越大，交叉變異的概率越小。因此，在迭代過程中，分別采用式（9）、（10）來調(diào)整迭代過程中的交叉、變異率。

式中，PC、Pm分別為交叉、變異概率；PC1、PC2、Pm1、Pm2為預(yù)設(shè)交叉、變異概率；k1、k2、分別為調(diào)節(jié)系數(shù)；f為交配池中個(gè)體的適應(yīng)度值；favg為每一代樣本的平均適應(yīng)度值；fmax為每一代樣本中最大適應(yīng)度值。h（t）則是一個(gè)關(guān)于迭代次數(shù)的二值函數(shù)，當(dāng)?shù)螖?shù)小于設(shè)定值m時(shí)，h（t）的函數(shù)值為0，反之則為1。

圖3 交叉、變異概率變化趨勢Fig.3 Trend of crossover and mutation rate

4 飛機(jī)蒙皮圖像分析處理

4.1 圖像采集與預(yù)處理

圖4（a）是一幅由上述視覺檢測系統(tǒng)所采集的飛機(jī)蒙皮試驗(yàn)板的原始灰度圖像，由圖像可知，在采集過程中存在噪聲干擾。因此，在對(duì)圖像進(jìn)行分割前，使用3×3模版的中值濾波器對(duì)其進(jìn)行濾波處理，處理結(jié)果如圖4（b）所示，通過中值濾波處理后的蒙皮圖像噪聲點(diǎn)明顯降低，然后用上述改進(jìn)遺傳算法與OSTU方法對(duì)圖像進(jìn)行分割，處理步驟如下：

（1）編碼。因?yàn)槊善D像灰度值為0～255，所以對(duì)染色體使用8為二進(jìn)制數(shù)編碼。

（2）初始化種群。產(chǎn)生一定規(guī)模的初始化種群并設(shè)置好最大迭代次數(shù)，以及PC1、PC2、Pm1、Pm2、k1、k2以及迭代次數(shù)函數(shù)h（t）。

（3）評(píng)估。對(duì)于產(chǎn)生的種群，采用式（8）為適應(yīng)度函數(shù)，根據(jù)輸入的蒙皮圖像計(jì)算每個(gè)個(gè)體的適應(yīng)度值。

（4）選擇。選擇出上一代樣本中適應(yīng)度較大的樣本進(jìn)入下一代。

（5）交叉、變異。采用式（9）、式（10）、式（11）計(jì)算每個(gè)個(gè)體的交叉變異概率，并形成新的個(gè)體。

（6）終止迭代。終止迭代的條件為找到最優(yōu)分割閾值或者達(dá)到最大迭代次數(shù)。

采用上述方法對(duì)蒙皮圖像進(jìn)行分割，其結(jié)果如圖4（c）所示。

圖4 飛機(jī)蒙皮圖像Fig.4 Images of aircraft skin

4.2 蒙皮鉚釘特征提取與曲線擬合

飛機(jī)蒙皮鉚接質(zhì)量視覺檢測系統(tǒng)主要檢測參數(shù)是鉚釘鉚接變形后的直徑和鉚釘之間的間距。因此，必須在分割后的圖像基礎(chǔ)上提取鉚釘?shù)奶卣鲌D像，進(jìn)而識(shí)別鉚釘達(dá)到檢測目的，具體處理步驟如下。

步驟1：獲取鉚釘區(qū)域的圖像特征。由圖4（c）可以看出，鉚釘在鉚接后，其中心部分的反光性很好，從而造成中心部分形成高亮區(qū)，在進(jìn)行圖像分割后，鉚釘?shù)膱D像特征直接通過圓形篩選會(huì)被中心的反光區(qū)所干擾。對(duì)此，本文采用分割后的圖像中較大聯(lián)通區(qū)域與分割前圖像作差的方法來排除反光區(qū)域的干擾，其結(jié)果如圖5（a）所示，此時(shí)鉚釘?shù)膱D像特征為聯(lián)通的整體。

步驟2：提取鉚釘邊緣曲線。在圖5（a）圖像的基礎(chǔ)上通過圓形篩選，提取出圖中鉚釘?shù)奶卣鲌D像，但是由于步驟1中的作差處理，導(dǎo)致所提取的鉚釘特征與原始圖像中鉚釘圖像之間存在較大誤差，所以在提取到鉚釘區(qū)域后，對(duì)其進(jìn)行形態(tài)學(xué)腐蝕、膨脹操作，然后由腐蝕結(jié)果和膨脹結(jié)果得到一個(gè)環(huán)形分割器，如圖5（b）所示。最后，用環(huán)形分割器在圖4（b）所示的圖像上分離出鉚釘邊緣區(qū)域的灰度圖像，再對(duì)其進(jìn)行亞像素邊緣提取，結(jié)果如圖5（c）所示。

步驟3：曲線擬合，參數(shù)計(jì)算；提取到鉚釘?shù)膩喯袼剡吘壡€之后，用標(biāo)準(zhǔn)的圓方程對(duì)其進(jìn)行擬合，得到鉚釘?shù)膱A心和半徑參數(shù)。最后通過歐拉距離公式算得鉚釘之間的距離。

圖5 蒙皮處理過程圖像Fig.5 Processing images of aircraft skin

5 結(jié)束語

本文所介紹的飛機(jī)蒙皮鉚接質(zhì)量檢測系統(tǒng)是一個(gè)對(duì)飛機(jī)蒙皮鉚接質(zhì)量的自動(dòng)化檢測系統(tǒng)，本文重點(diǎn)介紹的結(jié)合改進(jìn)遺傳算法與OTSU方法的閾值分割方法在圖像分割方面的效果較好，但整個(gè)視覺檢測系統(tǒng)仍存在很多不足，離生產(chǎn)線上實(shí)時(shí)檢測的需求還有很大的差距。因此，在以后的研究過程中，提高該系統(tǒng)的實(shí)用性是我們主要的努力方向。

[1]唐君萍, 張麗艷.飛機(jī)復(fù)雜零件上大量小尺寸導(dǎo)孔的快速視覺檢測[J].中國機(jī)械工程, 2015, 26(18):2456-2465.

TANG Junping, ZHANG Liyan.Quick vision inspection for large number of small size guide holes on complex aircraft parts[J].China Mechanical Engineering, 2015, 26(18):2456-2465.

[2]雷良育, 周曉軍.基于機(jī)器視覺的軸承內(nèi)外徑尺寸檢測系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2005,36(3):131-134.

LEI Liangyu, ZHOU Xiaojun.Machine vision system for inner and outer diameters inspection of a bearing[J].Transactions of the Chinese Society for Agricultural Machinery, 2005,36(3):131-134.

[3]展慧, 李小昱.基于機(jī)器視覺的板栗分級(jí)檢測方法[J].農(nóng)業(yè)工程學(xué)報(bào), 2010,26(4):327-331.

ZHAN Hui, LI Xiaoyu.Determination of chestnuts grading based on machine vision[J].Transaction of the Chinese Society of Agricultural Engineering, 2010,26(4):327-331.

[4]王輝, 雷雨春.基于機(jī)器視覺的櫻桃外徑檢測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012,43(S1):246-249.

WANG Hui, LEI Yuchun, Size detection for cherry fruit based on machine vision[J].Transactions of the Chinese Society for Agricultural Machinery, 2012,43(S1):246-249.

[5]周竹, 黃懿.基于機(jī)器視覺的馬鈴薯自動(dòng)分級(jí)方法[J].農(nóng)業(yè)工程學(xué)報(bào), 2012,28(7):178-183.

ZHOU Zhu, HUANG Yi.Automatic detecting and grading method of potatoes based on machine vision[J].Transactions of the Chinese Society for Agricultural Engineering, 2012,28(7):178-183.

[6]張金龍, 趙芙生.基于遺傳算法的三維重構(gòu)圖像閾值分割[J].南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版), 2005,5(1):5-7.

ZHANG Jinlong, ZHAO Fusheng.Image threshold segmentation of 3D reconstruction based on genetic algorithm[J].Journal of Nanjing Normal University (Engineering and Technology), 2005,5(1):5-7.

[7]NARANBAATAR E，KIM H S，LEE B R.Radius measuring algorithm based on machine vision using iterative fuzzy searching method[J].International Journal of Precision Engineering and Manufacturing, 2012,13(6):915-926.

[8]SHEN H，LI S，GU D，et al.Bearing defect inspection based on machine vision[J].Measurement, 2012, 45(4):719-733.

[9]DERGANC J，LIKAR B，PERNUS F.A machine vision system for measuring the eccentricity of bearings[J].Computers in Industry, 2003,50(1):103-111.

[10]李忠濤, 劉江.階梯軸尺寸及形位誤差的機(jī)器視覺檢測[J].工具技術(shù), 2008,42(2):77-80.

LI Zhongtao, LIU Jiang.Multi-diameter of geometrical size and shape-position error detection by machine vision[J].Tool Engineering,2008,42(2):77-80.

[11]馬苗,鹿艷晶.SAR圖像的二維灰熵模型的快速分割方法[J].西安電子科技大學(xué)學(xué)報(bào)（自然科學(xué)版）, 2009,36(6):1114-1119.

MA Miao, LU Yanjing.Fast SAR image segmentation method based on the two-dimensional gray entropy model[J].Journal of Xidian University(Natural Science), 2009,36(6):1114-1119.

[12]姚敏.數(shù)字圖像處理[M].北京:機(jī)械工業(yè)出版社,1996.

YAO Min.Digital image processing[M].Beijing: China Machine Press,1996.

[13]趙小川.MATLAB圖像處理[M].北京:北京航空航天大學(xué)出版社, 2014.

ZHAO Xiaochuan.Image processing by MATLAB[M].Beijing:Beihang University Press, 2014.

[14]李賢陽, 黃嬋.一種結(jié)合改進(jìn)OTSU法和改進(jìn)遺傳算法的圖像分割方法[J].實(shí)驗(yàn)室研究與探索, 2012,31(12):57-61.

LI Xianyang, HUANG Chan.A novel method for image segmentation based on improved OSTU and improved genetic algorithm[J].Research and Exploration in Laboratory, 2012,31(12):57-61.