薛倩 羅其俊 王岳

摘 要：為實(shí)現(xiàn)飛機(jī)蒙皮裂紋的自動(dòng)檢測(cè)，在通過(guò)云臺(tái)搭載長(zhǎng)焦成像系統(tǒng)進(jìn)行掃描成像的基礎(chǔ)上，研究蒙皮圖像處理與裂紋參數(shù)提取算法。針對(duì)飛機(jī)蒙皮圖像的特點(diǎn)，首先通過(guò)光照一致化、自適應(yīng)灰度拉伸、分區(qū)大津（OTSU）法閾值分割等處理得到裂紋的二值化圖像;然后利用連通域的面積、矩形度等特征剔除塊噪聲;在去噪的基礎(chǔ)上，對(duì)二值化圖像中的裂紋部分進(jìn)行細(xì)化、去毛刺等操作，并通過(guò)去節(jié)點(diǎn)獲取各條裂紋枝干;最后以枝干像素為索引，逐點(diǎn)跟蹤獲取各條裂紋枝干的長(zhǎng)度、平均寬度、最大寬度、起點(diǎn)坐標(biāo)、終點(diǎn)坐標(biāo)、中心坐標(biāo)、裂紋走向及數(shù)目等信息并由檢測(cè)軟件輸出裂紋檢測(cè)報(bào)告。實(shí)驗(yàn)結(jié)果表明，所提方法可有效檢測(cè)寬度大于1mm的蒙皮表面裂紋，為飛機(jī)機(jī)身和機(jī)翼蒙皮表面裂紋的自動(dòng)檢測(cè)提供了一種可行手段。

關(guān)鍵詞：飛機(jī)蒙皮;表面缺陷;圖像處理;裂紋測(cè)量

Abstract：To realize automatic crack detection for aircraft skin， skin image processing and parameter estimation methods were studied based on scanning images obtained by pan-and-tilt long-focus camera. Firstly， considering the characteristics of aircraft skin images， light compensation， adaptive grayscale stretching， and local OTSU segmentation were carried out to obtain the binary images of cracks. Then， the characteristics like area and rectangularity of the connected domains were calculated to remove block noises in the images. After that， thinning and deburring were operated on cracks presented in the denoised binary images， and all branches of crack were separated by deleting the nodes of cracks. Finally， using the branch pixels as indexes， information of each crack branch such as the length， average width， maximum width， starting point， end point， midpoint， orientation， and number of branches were calculated by tracing pixels and the report was output by the crack detection software. The experimental results demonstrate that cracks wider than 1mm can be detected effectively by the proposed method， which provides a feasible means for automatic detection of aircraft skin cracks in fuselage and wings.

Key words： aircraft skin; surface defect; image processing; crack measurement

0 引言

飛機(jī)蒙皮是包圍在骨架結(jié)構(gòu)外的部件，除了長(zhǎng)時(shí)間暴露在外界惡劣的環(huán)境下，還經(jīng)常承受著一個(gè)交變的應(yīng)力，導(dǎo)致飛機(jī)蒙皮結(jié)構(gòu)出現(xiàn)損傷。蒙皮損傷如果沒(méi)有及時(shí)被維修人員檢測(cè)到，會(huì)給飛行安全帶來(lái)重大隱患。目前國(guó)內(nèi)航空公司的機(jī)外檢查主要以人工檢查方式為主，存在勞動(dòng)強(qiáng)度大、檢測(cè)周期長(zhǎng)、漏檢率高等問(wèn)題[1-2]?；跈C(jī)器視覺(jué)的檢測(cè)方法[3-4]為蒙皮表面缺陷的智能化檢測(cè)提供了一種可行途徑，可在一定程度上避免目視檢查過(guò)程中的漏檢和疲勞等問(wèn)題。

目前，基于機(jī)器視覺(jué)的缺陷檢測(cè)技術(shù)多用于工業(yè)產(chǎn)品質(zhì)量監(jiān)測(cè)和混凝土、路面裂縫檢測(cè)等[5-8]。飛機(jī)蒙皮檢測(cè)方面，美國(guó)的Bahr等[9]研發(fā)了爬壁機(jī)器人系列，用于搭載傳感器和視覺(jué)系統(tǒng)，實(shí)現(xiàn)飛機(jī)蒙皮的自動(dòng)監(jiān)測(cè)，其后，其他單位和國(guó)家也紛紛開(kāi)展了飛機(jī)蒙皮檢測(cè)爬壁機(jī)器人的研究。國(guó)內(nèi)，中國(guó)民航大學(xué)也針對(duì)蒙皮表面爬壁機(jī)器人系統(tǒng)展開(kāi)研究，提出了對(duì)蒙皮磁光圖像裂紋的自動(dòng)檢測(cè)方法[10]。

圖像處理算法是蒙皮視覺(jué)檢測(cè)系統(tǒng)的重要組成部分，由于不同的檢測(cè)對(duì)象具有不同的圖像特征，檢測(cè)目標(biāo)也各不相同，圖像處理方法應(yīng)針對(duì)特定檢測(cè)對(duì)象進(jìn)行具體設(shè)計(jì)。本文針對(duì)飛機(jī)蒙皮裂紋圖像特點(diǎn)設(shè)計(jì)圖像處理方法：首先對(duì)圖像進(jìn)行光照一致化處理以排除光照不均對(duì)圖像分割的影響;然后利用自適應(yīng)窗口進(jìn)行灰度拉伸，在此基礎(chǔ)上分區(qū)進(jìn)行OTSU閾值分割獲得裂紋二值化圖像，根據(jù)噪聲特點(diǎn)進(jìn)行去噪，提取裂紋參數(shù)（包括裂紋數(shù)目、長(zhǎng)度、平均寬度、最大寬度、起點(diǎn)、中點(diǎn)、終點(diǎn)和走向）。利用自動(dòng)掃描系統(tǒng)拍攝蒙皮裂紋圖像進(jìn)行裂紋自動(dòng)檢測(cè)實(shí)驗(yàn)，以驗(yàn)證本文方法的有效性。

1 蒙皮圖像預(yù)處理

1.1 光照一致化

為降低計(jì)算量，首先用加權(quán)平均法對(duì)CCD（Charge Coupled Device）相機(jī)采集的蒙皮圖像進(jìn)行灰度化處理：

其中： f（i， j）為圖像坐標(biāo)（i， j）處像素灰度值，R、G、B分別為彩色圖像的R、G、B三個(gè)通道分量的值。

由于光源條件有限，采集到的蒙皮圖像存在光照不均、對(duì)比度低、存在大量無(wú)規(guī)則噪聲等問(wèn)題，嚴(yán)重影響常規(guī)圖像分割的效果[11]，為此，對(duì)灰度圖進(jìn)行光照一致化處理，光照一致化的流程如圖1，效果如圖2?？梢钥闯觯?jīng)過(guò)光照補(bǔ)償，原圖中光線的不均衡、裂紋處蒙皮凸起產(chǎn)生的陰影都得到了改善，同時(shí)較好地保留了裂紋紋理細(xì)節(jié)。

1.2 自適應(yīng)窗口灰度拉伸

一般情況下，蒙皮裂紋圖像中大部分面積為正常蒙皮，裂紋只占少量像素，且不可避免地存在灰塵、雨漬等干擾。分析蒙皮裂紋圖像直方圖可知，其灰度分布較集中，峰值附近灰度值應(yīng)對(duì)應(yīng)圖像中的正常蒙皮區(qū)域，而裂紋像素在灰度值上應(yīng)小于蒙皮像素，且在數(shù)目上遠(yuǎn)少于蒙皮像素。針對(duì)上述特點(diǎn)，為改善圖像分割效果，宜采用窗口灰度拉伸算法進(jìn)行圖像增強(qiáng)處理[12]，方法如下：

1，r（i， j）≥T2（2）三個(gè)條件存在交叉情形，在=T1和=T2時(shí)，分別屬于哪個(gè)約束條件，需明確?；貜?fù)：原公式并無(wú)矛盾，在=T1或T2時(shí)不管用哪個(gè)公式都會(huì)得到相同結(jié)果。若感覺(jué)不妥，可將第二行公式中兩個(gè)≤都改成<

其中：T1為窗底，T2為窗頂，r（i， j）和s（i， j）分別灰度拉伸前后圖像坐標(biāo)（i， j）處的像素灰度值。為保證圖像增強(qiáng)的效果，不同的裂紋圖像應(yīng)設(shè)置不同的窗底和窗頂值。根據(jù)蒙皮裂紋圖像的特點(diǎn)，數(shù)目過(guò)少的像素灰度值一般對(duì)應(yīng)散點(diǎn)噪聲，而像素?cái)?shù)目處于峰值附近的灰度值對(duì)應(yīng)正常蒙皮區(qū)域，因此，為自動(dòng)根據(jù)圖像選取合適的T1和T2，本文在圖像直方圖計(jì)算的基礎(chǔ)上，取像素?cái)?shù)目大于一定閾值的灰度值作為窗底，取像素?cái)?shù)目比峰值略少的灰度值作為窗頂，進(jìn)行自適應(yīng)的窗口灰度拉伸。

1.3 分區(qū)OTSU閾值分割

由于蒙皮裂紋圖像中大部分區(qū)域?yàn)榛叶确植驾^均勻的正常蒙皮，為減少計(jì)算量，同時(shí)進(jìn)一步改善閾值分割效果，將灰度拉伸后的圖像分成K個(gè)大小為h×w的子塊，取方差大于整圖方差的子塊為感興趣區(qū)域（認(rèn)為方差小于整圖方差的區(qū)域?yàn)檎Ｃ善ぃ?，進(jìn)行分區(qū)OTSU閾值分割[13]。具體步驟如下：

1）令k=1，計(jì)算灰度拉伸后的圖像矩陣S的方差T0。

2）取S中的第k個(gè)h×w的子矩陣Sc，計(jì)算子矩陣方差t0。

3）若t0>T0，則對(duì)Sc用大津（OTSU）法[14-15]進(jìn)行分割（即用遍歷法選取使前景與背景圖像的類間方差最大的閾值進(jìn)行圖像分割）;否則將Sc置零。

4）若k=N，則停止;否則k=k+1，回到步驟2）。

圖3對(duì)比了直接對(duì)灰度一致化后的蒙皮圖像進(jìn)行OTSU閾值分割，和基于窗口灰度拉伸的分區(qū)OTSU閾值分割的效果。由于裂紋在圖像中所占像素遠(yuǎn)小于背景蒙皮，直接使用OTSU閾值分割效果很差，在窗口灰度拉伸的基礎(chǔ)上進(jìn)行分區(qū)OTSU閾值分割，可有效分離出裂紋與背景，同時(shí)由于算法只對(duì)個(gè)別感興趣區(qū)域計(jì)算OTSU閾值，對(duì)于大像素圖像可顯著提高圖像處理速度，從而縮短大面積蒙皮檢測(cè)的周期。

1.4 二值化裂紋圖像去噪

圖像分割后的二值化裂紋圖像仍不可避免地包含噪聲，影響裂紋的識(shí)別與測(cè)量[16]（如圖3（c））。噪聲來(lái)源復(fù)雜（CCD器件噪聲、蒙皮表面影響或其他信號(hào)干擾），且灰度值與裂紋相近，但從形態(tài)上看多為散點(diǎn)噪聲和塊狀噪聲，因此可取連通域面積和矩形度為特征參數(shù)，將噪聲與裂紋相區(qū)分。

首先，利用形態(tài)學(xué)膨脹彌合裂紋中的個(gè)別斷點(diǎn)，使鄰近的小區(qū)域連通，防止被當(dāng)成散點(diǎn)噪聲消除;然后依次計(jì)算二值化圖像B中各連通域面積和矩形度，面積定義為連通域的像素總和，矩形度定義為：

其中：A代表連通域面積，rmax、rmin分別為連通域的所有像素行標(biāo)的最大、最小值，cmax、cmin分別為連通域的所有像素列標(biāo)的最大、最小值。若連通域面積小于閾值（本文取500，若裂紋尺寸偏小應(yīng)相應(yīng)減小此閾值）或矩形度高于閾值（本文取0.2）則視為噪聲，將該連通域像素置零。最后對(duì)去噪后的圖像進(jìn)行形態(tài)學(xué)腐蝕，以修正形態(tài)學(xué)膨脹改變的裂縫尺寸。

2 裂紋參數(shù)測(cè)量

2.1 獲取裂紋骨架分支

由于實(shí)際裂紋形態(tài)各異，要計(jì)算二值化圖像中裂紋的長(zhǎng)度、寬度、特征點(diǎn)等參數(shù)，首先要通過(guò)細(xì)化獲得裂紋骨架（細(xì)化或骨架化，是將圖像的線條從多像素寬度減少到單位像素寬度的過(guò)程）。對(duì)于含有多條分支的復(fù)雜裂紋（如圖2），需分離出各條分支依次計(jì)算。獲取裂紋骨架分支的流程如圖4，首先利用區(qū)域標(biāo)記法標(biāo)記出二值圖中的連通區(qū)域，然后依次對(duì)各連通區(qū)域進(jìn)行細(xì)化操作，Matlab中輪流使用8個(gè)方向的模板，先算出所有要削去的像素，再削去一層像素，迭代執(zhí)行，直到獲得骨架[11]。這樣得到的骨架枝干上存在多處毛刺，嚴(yán)重影響裂紋參數(shù)計(jì)算精度。本文通過(guò)跟蹤端點(diǎn)去除毛刺，設(shè)毛刺長(zhǎng)度閾值為Nth，將骨架上小于該閾值的分支去除，具體做法如下：

1）為減少計(jì)算量，先取出二值圖中所有值為1的K個(gè)像素。

2）從上述K個(gè)像素中取一點(diǎn)pk判斷是否為端點(diǎn)：先將該像素置零，然后求其8鄰域像素之和N8，若N8（k）=0則說(shuō)明此點(diǎn)為孤立點(diǎn)，應(yīng)擦除;若N8（k）>1則重新取點(diǎn);若N8（k）=1則說(shuō)明此點(diǎn)為端點(diǎn)，將其坐標(biāo)（xk，yk）存入Nth×2維的矩陣P，再將該點(diǎn)置零，令該點(diǎn)所在分支長(zhǎng)度N=N+1，取出與其唯一相連的點(diǎn)pk+1。

3）求pk+1的鄰域像素和，若N8（k+1）=1則說(shuō)明pk+1為消除pk后產(chǎn)生的新端點(diǎn)，將其坐標(biāo)（xk+2，yk+2）存入矩陣P，再將該點(diǎn)置零，令N=N+1，取出與其唯一相連的點(diǎn)pk+2，依此循環(huán)直至N>Nth;若N8（k+1）≠1則回步驟2），找下一個(gè)端點(diǎn)進(jìn)行跟蹤。

4）若N>Nth則說(shuō)明該分支不是毛刺，將矩陣P中保存的坐標(biāo)點(diǎn)像素值復(fù)原為1。循環(huán)至K個(gè)值為1的像素處理完畢，即處理完所有毛刺。

為方便測(cè)量含有多條分支的復(fù)雜裂紋，本文通過(guò)刪除骨架中的節(jié)點(diǎn)來(lái)實(shí)現(xiàn)各分支的分離。節(jié)點(diǎn)的主要特征是與其相連的像素超過(guò)兩個(gè)，即其8鄰域像素之和大于2，而滿足這一條件的除節(jié)點(diǎn)外，還有骨架圖中個(gè)別直角結(jié)構(gòu)中的點(diǎn)，如圖5中的點(diǎn)p。為準(zhǔn)確識(shí)別節(jié)點(diǎn)，應(yīng)首先找出骨架圖中的直角，并刪除其頂點(diǎn);否則p點(diǎn)被誤判為節(jié)點(diǎn)而刪除，將導(dǎo)致裂紋分支被截?cái)?。直角頂點(diǎn)p0應(yīng)滿足：

其中，（x1，y1）、（x2，y2）分別為p0的8鄰域中與其相連的兩個(gè)點(diǎn)p1、p2的坐標(biāo)，若滿足上式則p0、p1、p2三點(diǎn)構(gòu)成直角。從骨架圖中所有值為1的像素中搜索滿足式（4）的點(diǎn)，將其置零，即去掉了所有直角結(jié)構(gòu)的頂點(diǎn)，然后搜索鄰域像素之和大于2的點(diǎn)，即為節(jié)點(diǎn)，刪除節(jié)點(diǎn)即可獲得裂紋骨架的各條分支。注意上述處理方法可能會(huì)產(chǎn)生個(gè)別新的孤立點(diǎn)，即鄰域像素為零的點(diǎn)，應(yīng)刪除。

2.2 測(cè)量裂紋參數(shù)

在獲取裂紋骨架分支的基礎(chǔ)上，可通過(guò)跟蹤各分支上的像素來(lái)測(cè)量裂紋的各幾何參數(shù)。本文采用裂紋數(shù)目、長(zhǎng)度、平均寬度、最大寬度、起點(diǎn)、終點(diǎn)、中點(diǎn)和走向共8個(gè)字段描述裂紋特征并輸出裂紋檢測(cè)報(bào)告。

1）數(shù)目N。上一步獲得的裂紋骨架分支圖中，連通域的個(gè)數(shù)即裂紋或裂紋分支數(shù)目。

2）長(zhǎng)度L。從端點(diǎn)開(kāi)始跟蹤骨架分支，取8鄰域像素和為1的為端點(diǎn)，先保存端點(diǎn)坐標(biāo)至矩陣Q，令L=L+1，將端點(diǎn)置零，再找到8鄰域中與其相連的點(diǎn)，作為新的端點(diǎn)，執(zhí)行上述步驟，依此循環(huán)直至8鄰域像素和不為1，即累計(jì)完了一條分支。為了進(jìn)一步消除噪聲，若分支長(zhǎng)度小于一定閾值（本文取為5），則刪除，取下一端點(diǎn)依此計(jì)算下一條分支長(zhǎng)度。

3）起點(diǎn)。矩陣Q中存儲(chǔ)的第一行的像素坐標(biāo)。

4）中點(diǎn)。矩陣Q中存儲(chǔ)的中間行的像素坐標(biāo)。

5）終點(diǎn)。矩陣Q中存儲(chǔ)的最后一行的像素坐標(biāo)。

6）平均寬度Wav。依次計(jì)算裂紋骨架各分支點(diǎn)處的寬度，再求平均值。要計(jì)算第k點(diǎn)（xk，yk）的寬度，取第k+t和第k-t點(diǎn)（本文取t=2）之間的連線的垂線為第k點(diǎn)處的法線斜率，在（xk，yk）處按此斜率作直線（設(shè)直線方程為y=nkx+bk此處是否遺漏了公式？），與裂紋的二值化圖像邊緣交于兩點(diǎn)（xu，yu）、（xd，yd），則第k點(diǎn)處的裂紋寬度為：

按式（6）和（7）追蹤直至下一點(diǎn)的像素值為0，則當(dāng)前點(diǎn)坐標(biāo)即（xu，yu），同理可得另一方向的交點(diǎn)坐標(biāo)（xd，yd）。

7）最大寬度WM。依次計(jì)算裂紋骨架各分支點(diǎn)處的寬度，求其中的最大值。

8）走向θ。用裂紋枝干分支上的各點(diǎn)擬合一條直線，由擬合直線的斜率計(jì)算裂紋方向。

3 蒙皮裂紋檢測(cè)實(shí)驗(yàn)

3.1 實(shí)驗(yàn)設(shè)置

利用掃描成像系統(tǒng)（如圖6）拍攝飛機(jī)蒙皮表面裂紋圖像進(jìn)行檢測(cè)實(shí)驗(yàn)。掃描成像系統(tǒng)包括轉(zhuǎn)臺(tái)、轉(zhuǎn)臺(tái)控制器以及長(zhǎng)焦鏡頭和CCD相機(jī)組成的成像系統(tǒng)。二維轉(zhuǎn)臺(tái)在轉(zhuǎn)臺(tái)控制器的驅(qū)動(dòng)和控制下，搭載成像系統(tǒng)，通過(guò)設(shè)定掃描路徑，獲取檢查區(qū)域內(nèi)各子區(qū)域蒙皮表面的高分辨率圖像，然后通過(guò)USB接口傳送給上位機(jī)，由裂紋檢測(cè)軟件進(jìn)行檢測(cè)并輸出裂紋報(bào)表。CCD透鏡口徑17.5mm，拍攝距離8m時(shí)，可計(jì)算理論物理分辨極限為0.31mm，考慮相機(jī)鏡頭鏡片加工和裝配誤差，最終物理分辨率可控制在1mm?？紤]光照條件限制和噪聲影響，將實(shí)驗(yàn)?zāi)繕?biāo)確定為長(zhǎng)度大于10mm、寬度大于1mm的蒙皮表面裂紋。

3.2 實(shí)驗(yàn)結(jié)果

對(duì)不同尺寸和形狀的5幅蒙皮裂紋圖像（如圖7），用第2章所述方法進(jìn)行處理和測(cè)量，得到裂紋的二值化圖像（如圖8）及其8項(xiàng)幾何參數(shù)（如表1）。

為便于觀察結(jié)果，在圖7中，根據(jù)算法結(jié)果，用黑色矩形框標(biāo)出了各圖中檢測(cè)到的裂紋的編號(hào);在圖8中，將計(jì)算的裂紋起點(diǎn)和終點(diǎn)用圓圈標(biāo)記，將中點(diǎn)用菱形標(biāo)記。對(duì)比圖7和圖8可知，對(duì)于圖7的蒙皮圖像中肉眼可見(jiàn)的裂紋a1-e5，在蒙皮表面灰塵、雨漬、輕微劃痕等影響下，圖8的二值化檢測(cè)結(jié)果中，均在相應(yīng)位置對(duì)裂紋形態(tài)和尺寸有較準(zhǔn)確的顯示：圖7（a）中可見(jiàn)單條橫向裂紋a1，圖8（a）檢出裂紋數(shù)為1條，走向接近水平，由檢測(cè)結(jié)果估算的角度為0.29°（如表1），尺寸、特征點(diǎn)均與目測(cè)相符;圖7（b）中可見(jiàn)單條曲線形裂紋b1，圖8（b）中檢出裂紋數(shù)為1條，起點(diǎn)、終點(diǎn)和中間的拐點(diǎn)與目測(cè)相符，由檢測(cè)結(jié)果估算的走向角度為-50.25°（如表1）;圖7（c）可見(jiàn)兩條斜線形裂紋，其中斜率為負(fù)者標(biāo)為c1，斜率為正者標(biāo)為c2，圖8（c）中檢出裂紋數(shù)為2條，起點(diǎn)、終點(diǎn)和中點(diǎn)與目測(cè)相符，由檢測(cè)結(jié)果估算的c1和c2裂紋走向角度分別為-75.26°和77.63°（如表1）;圖7（d）為包含多條分支的復(fù)雜裂紋，圖8（d）中通過(guò)跟蹤節(jié)點(diǎn)將其分割為d1-d6共6條分支，分別標(biāo)記其特征點(diǎn)并計(jì)算其特征參數(shù)，d1-d6裂紋長(zhǎng)度依次為195、88、468、428、729和500像素，走向依次為-22.57°、57.06°、-2.37°、-68.50°、85.67°和-1.26°（如表1），除裂紋d4較彎曲難以用一個(gè)角度描述外，其他裂紋參數(shù)均與目測(cè)相符;圖7（e）粗看之下有兩條裂紋，放大圖像仔細(xì)辨識(shí)可見(jiàn)上方裂紋中間位置附近存在一處斷點(diǎn)，下方裂紋中間和末端附近各存在一處斷點(diǎn)，且在接近末端時(shí)出現(xiàn)一條較短分支，共計(jì)6條裂紋分支，但由于其中兩條分支分離處間距較小，算法未能將其分開(kāi)，而合為一條裂紋進(jìn)行計(jì)算，故本文算法將此圖判斷為e1-e5共5條裂紋，分別計(jì)算了各段裂紋或裂紋分支的幾何參數(shù)（如表1）。由此可知，對(duì)于不同尺寸和形狀的裂紋圖像，本文方法檢測(cè)到的裂紋數(shù)目和特征點(diǎn)均較為準(zhǔn)確。

表1列出了圖7中各裂紋的幾何參數(shù)，包括裂紋長(zhǎng)度、平均寬度、最大寬度和走向（特征點(diǎn)已標(biāo)記在圖8中）。表中的長(zhǎng)度和寬度均以像素為單位，可根據(jù)鏡頭參數(shù)與拍攝距離折算成毫米單位。由于裂紋形狀不規(guī)則，難以用直尺準(zhǔn)確測(cè)量，但由前述計(jì)算過(guò)程可知，只要算法對(duì)裂紋特征點(diǎn)定位準(zhǔn)確，算法檢測(cè)結(jié)果將優(yōu)于人工直尺測(cè)量結(jié)果，基于圖像進(jìn)行自動(dòng)裂紋檢測(cè)可輔助飛機(jī)蒙皮表面缺陷檢查。由于每像素約對(duì)應(yīng)實(shí)際尺寸0.3mm，在裂紋圖像正確分割的前提下，理論上本文方法計(jì)算的參數(shù)誤差可控制在1mm以內(nèi)。

4 結(jié)語(yǔ)

民用航空器維修中對(duì)飛機(jī)蒙皮檢測(cè)提出的要求是能夠及時(shí)發(fā)現(xiàn)使用過(guò)程產(chǎn)生的缺陷，疲勞裂紋是其中的典型缺陷。針對(duì)人工檢查勞動(dòng)強(qiáng)度大、漏檢率高等問(wèn)題，本文設(shè)計(jì)基于圖像的飛機(jī)蒙皮裂紋檢測(cè)算法，為蒙皮裂紋的自動(dòng)檢測(cè)提供參考思路和理論依據(jù)。實(shí)驗(yàn)結(jié)果表明，本文方法可有效識(shí)別寬度大于1mm的、不同數(shù)目與形態(tài)的蒙皮表面裂紋，估算的裂紋數(shù)目、長(zhǎng)度、寬度、走向和特征點(diǎn)等參數(shù)與目視檢查結(jié)果相符?？湛虯320一般目視檢查可見(jiàn)裂紋尺寸最小為8mm，因此本文方法在日常繞機(jī)目視檢查與定期的無(wú)損檢測(cè)之間，可用于輔助飛機(jī)蒙皮表面缺陷檢查，從而降低機(jī)務(wù)人員疲勞度，提高飛機(jī)結(jié)構(gòu)的可靠性。

參考文獻(xiàn) （References）

[1] WANG C Q， WANG X F， ZHOU X， et al. The aircraft skin crack inspection based on different-source sensors and support vector machines[J]. Journal of Nondestructive Evaluation， 2016， 35（3）：46.

[2] MUMTAZ R， MUMTAZ M， MANSOOR A B， et al. Computer aided visual inspection of aircraft surfaces[J]. International Journal of Image Processing.2012， 6（1）： 38-53.

[3] LIU M B， LI B B， LI J T， et al. Smart coating sensor applied in crack detection for aircraft[J]. Applied Mechanics and Materials， 2013， 330（6）： 383-388.

[4] DENG Y， LIU X， UDPA L. Magneto-optic imaging for aircraft skins inspection： a probability of detection study of simulated and experimental image data[J]. IEEE Transactions on Reliability， 2012， 61（4）： 901-908.

[5] HASNI H， ALAVI A H， JIAO P C， et al. Detection of fatigue cracking in steel bridge girders： a support vector machine approach[J]. Archives of Civil and Mechanical Engineering， 2017（17）： 609-622.

[6] CHA Y J， CHOI W， BYKZTRK O. Deep learning-based crack damage detection using convolutional neural networks[J]. Computer-Aided Civil and Infrastructure Engineering， 2017， 32（5）： 361-378.

[7] 陳瑤.基于圖像分析的橋梁裂縫檢測(cè)方法研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2016：1-8.（CHEN Y. Research on the bridge crack detection method based on image analysis[D]. Hefei： University of Science and Technology of China， 2016： 1-8.）

[8] 姜吉榮.基于圖像分析的路面裂縫檢測(cè)方法與識(shí)別研究[D].南京：南京郵電大學(xué)，2016：1-10.（JIANG J R. Research on pavement crack detection and recognition methods based on image analysis[D]. Nanjing： Nanjing University of Posts and Telecommunications， 2016： 1-10.）

[9] BAHR B， MAARI S. Robotic-aided system for inspection of aging aircraft： national institute for aviation research[J]. NDT and E International，1992， 25（1）： 41-42.

[10] 高慶吉，胡丹丹，牛國(guó)臣，等.基于磁光圖像的飛機(jī)鉚釘缺陷識(shí)別[J].中國(guó)圖象圖形學(xué)報(bào)，2007，12（12）：2179-2183.（GAO Q J， HU D D， NIU G C， et al. Defect recognition of aircraft rivet based on magento-optic image[J]. Journal of Image and Graphics， 2007， 12（12）： 2179-2183.）

[11] 王耀東，余祖俊，白彪，等.基于圖像處理的地鐵隧道裂縫識(shí)別算法研究[J].儀器儀表學(xué)報(bào)，2014，35（7）：1489-1496.（WANG Y D， YU Z J， BAI B， et al. Research on image processing based subway tunnel crack identification algorithm[J]. Chinese Journal of Scientific Instrument， 2014， 35（7）： 1489-1496.）

[12] 吳秀永，徐科，徐金梧.基于Gabor小波和核保局投影算法的表面缺陷自動(dòng)識(shí)別方法[J].自動(dòng)化學(xué)報(bào)，2010，36（3）：438-441.（WU X Y， XU K， XU J W. Automatic recognition method of surface defects based on Gabor wavelet and kernel locality preserving projections[J]. Acta Automatica Sinica， 2010， 36（3）： 438-441.）

[13] JIN L S， TIAN L， WANG R B， et al. An improved Otsu image segmentation algorithm for path mark detection under variable illumination[C]// IV2005： Proceedings of the 2005 IEEE Intelligent Vehicles Symposium. Piscataway， NJ： IEEE， 2005： 840-844.

[14] MOHAMED H M， MAHMOUD E. Efficient solution of Otsu multilevel image thresholding： a comparative study[J]. Expert Systems with Applications， 2019， 116： 299-309.

[15] GOH T Y， BASAH S N， YAZID H， et al. Performance analysis of image thresholding： Otsu technique[J]. Measurement， 2018， 114： 298-307.

[16] 薛倩，楊程屹，王化祥.去除椒鹽噪聲的交替方向法[J].自動(dòng)化學(xué)報(bào)，2013，39（12）：2071-2076.（XUE Q， YANG C Y， WANG H X. Alternating direction method for salt-and-pepper denoising[J]. Acta Automatica Sinica， 2013， 39（12）： 2071-2076.）