潘 甜，王松濤，謝中敏，劉啟明

（江蘇航空職業(yè)技術(shù)學(xué)院，江蘇 鎮(zhèn)江 212134）

0 引言

圖1 飛機(jī)蒙皮表面缺陷分析

傳統(tǒng)的飛機(jī)蒙皮缺陷檢測主要為人工進(jìn)行檢測，存在一定的主觀因素，導(dǎo)致檢測蒙皮缺陷的精度低了，檢測效率不高[2]。機(jī)器視覺作為一種高度自動化、非接觸無損壞式高新技術(shù)，具有檢測高效、安全、廣泛和完備等優(yōu)勢[3]。本研究運(yùn)用機(jī)器視覺技術(shù)實現(xiàn)了飛機(jī)蒙皮表面缺陷的快速準(zhǔn)確的識別和判斷，能夠快速準(zhǔn)確的識別飛機(jī)蒙皮表面的多種缺陷類型，為我國航空領(lǐng)域安全保駕護(hù)航。

國內(nèi)外學(xué)者在蒙皮缺陷檢測方面的研究已有較多報道，王東等文獻(xiàn)提出了基于群速度的超聲檢測方法，采用群速度提高能飛機(jī)蒙皮缺陷的定位和識別能力，但飛機(jī)內(nèi)部結(jié)構(gòu)的復(fù)雜性會影響檢測小缺陷的靈敏度[4]。苗永菲等人利用敲擊檢測方法對蒙皮缺陷進(jìn)行檢測，但不利于小面積缺陷的識別和檢測[5]。美國學(xué)者Keenan S J等人利用支持向量機(jī)技術(shù)實現(xiàn)鋼盤表面的缺陷檢測，實時性檢測效果良好，但對缺陷鋼盤的檢測范圍較小[6-7]。盛敏等人利用機(jī)器視覺技術(shù)對老齡飛機(jī)表面的缺陷進(jìn)行識別分析，使用機(jī)器學(xué)習(xí)SVM算法進(jìn)行缺陷圖像的識別分類，具有一定的研究價值，但沒有開發(fā)出一套機(jī)器視覺檢測系統(tǒng)[8]。美國西屋電氣公司使用智能高精度線陣CCD攝像對金屬表面缺陷進(jìn)行檢測研究，但該系統(tǒng)面臨識別缺陷種類單一、無固定規(guī)律性等問題[9]。

研究結(jié)果顯示，機(jī)器視覺檢測飛機(jī)蒙皮缺陷的準(zhǔn)確率和可靠性并不高[10]。本文從飛機(jī)蒙皮缺陷的實際情況出發(fā)，針對目前飛機(jī)蒙皮缺陷檢測中檢測范圍小、檢測精度低的缺點，提出利用灰度共生矩陣實現(xiàn)飛機(jī)蒙皮表面缺陷圖像的特征參數(shù)提取，并運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對存在的缺陷進(jìn)行分類處理。實驗結(jié)果表明，該缺陷檢測裝置不僅能夠識別出飛機(jī)蒙皮表面常見的缺陷大小、位置和類型，還能提高檢測范圍，降低人工成本，有效提高缺陷檢測的可靠性。

1 飛機(jī)蒙皮缺陷檢測總體方案設(shè)計

本文主要探討了運(yùn)用機(jī)器視覺技術(shù)實現(xiàn)飛機(jī)蒙皮表面的缺陷識別和檢測，機(jī)器視覺主要利用機(jī)器代替人眼進(jìn)行產(chǎn)品圖像的拍攝和識別。首先，智能攝像機(jī)拍攝物體表面圖像，轉(zhuǎn)化為數(shù)值信號，進(jìn)而圖像處理系統(tǒng)對流入圖像數(shù)值進(jìn)行處理，提取了其目標(biāo)特征，并根據(jù)圖像的像素、亮度和顏色等多維度信息，將原始的圖像信號轉(zhuǎn)換為計算機(jī)可識別的數(shù)字信號，從而得到判斷的結(jié)果。

飛機(jī)蒙皮缺陷檢測系統(tǒng)由圖像采集、圖像預(yù)處理、圖像分析、數(shù)據(jù)存儲和交互界面等部分組成。圖像采集模塊作用是采集物體表面的圖像，本系統(tǒng)首先利用CCD相機(jī)拍攝蒙皮表面缺陷圖像；圖像預(yù)處理模塊主要完成待識別物體表面圖像的預(yù)處理，本系統(tǒng)通過將圖片上傳到Matlab平臺上，通過圖像濾波和圖像二值化的方法完成缺陷圖像的預(yù)處理，以提高圖像質(zhì)量，便于后期的缺陷檢測分析；圖像分析模塊主要實現(xiàn)飛機(jī)蒙皮表面缺陷的特征參數(shù)提取，本系統(tǒng)針對蒙皮表面的缺陷圖像，運(yùn)用灰度共生矩陣（GLCM）對蒙皮圖像特征參數(shù)進(jìn)行提取，最后將蒙皮缺陷圖像用BP神經(jīng)網(wǎng)絡(luò)分類識別處理，從而確定蒙皮缺陷的位置、種類和大小，能夠在計算機(jī)上實時輸出分類匯總結(jié)果；數(shù)據(jù)管理和人機(jī)接口模塊可以對缺陷圖像進(jìn)行統(tǒng)計和存儲，蒙皮缺陷檢測流程如圖2所示。

圖2 蒙皮缺陷檢測流程

1.1 蒙皮表面圖像預(yù)處理

1.1.1 圖像濾波

本研究中的缺陷檢測裝置通過智能攝像機(jī)獲取蒙皮表面的圖像信息，進(jìn)而傳輸給計算機(jī)檢測平臺，在圖像的采集和傳輸全過程中，會受到飛機(jī)蒙皮表面和復(fù)雜的工廠環(huán)境的影響，導(dǎo)致缺陷部分圖像清新度下降，不利于蒙皮表面缺陷的處理和分析。因此常對飛機(jī)蒙皮缺陷圖像進(jìn)行預(yù)處理以去噪，本文通過實驗對比選用中值濾波器濾除噪聲，從而保證了在去除噪音的同時保持蒙皮表面圖像中邊緣特征的清晰和完整。

在中值濾波過程中，首先選擇一個含奇數(shù)個像素點的采樣窗口M，進(jìn)而移動原圖上的窗口M，根據(jù)對窗口M中的像素灰度值進(jìn)行排序，選擇中間位置的灰度值作為整個窗口像素點的灰度值，對應(yīng)中值濾波公式為：

式中：飛機(jī)蒙皮缺陷原圖中像素點（i，j）的灰度值為h（i，j）；濾波處理后對應(yīng)像素點（i，j）的灰度值為k（i，j）；t和j為圖像坐標(biāo)變量；M為采樣窗口大小。

人們常說，當(dāng)老師是辛勞的，塑造靈魂的工作是偉大的。紅燭的燃燒是短暫的，可她燃燒自己，照亮別人的心卻是永恒的。教師的工作之所以偉大，不僅僅在于他傳授給我們科學(xué)文化知識，更在于給我們樹立了做人的典范。我衷心希望我們的問候和祝福能撫平老師臉上的皺紋，拭去老師雙鬢的微霜，讓老師那智慧的雙眸永放光芒!

本研究選用5×5中值濾波器濾除圖像噪音，圖3中（a）為隨機(jī)選取的飛機(jī)蒙皮表面的裂紋缺陷圖，（b）為中值濾波后的效果圖。

圖3 中值濾波效果圖

1.1.2 圖像二值化

圖像二值化通過將飛機(jī)蒙皮缺陷圖像上像素點的灰度值設(shè)置為[0，255]，使處理后的蒙皮缺陷圖像以黑白效果展現(xiàn)。本文采用能夠自動確定閾值的Otsu（大津）算法，對已經(jīng)過中值濾波后的飛機(jī)蒙皮缺陷圖像進(jìn)行圖像二值化處理。算法過程如下：式中：（i，j）為特征圖像的像素點對應(yīng)的坐標(biāo)；h（i，j）為原始圖像的灰度值；k（i，j）為二值化后的灰度值。圖4中（a）為中值濾波后的缺陷圖像，（b）為二值化處理后的效果圖。

圖4 圖像二值化效果圖

1.2 基于灰度共生矩陣的特征參數(shù)提取

選擇基于灰度共生矩陣的圖像表面特征提取方法，使用灰度共生矩陣對待檢圖像的像素距離、窗口大小和方向三方面特征值進(jìn)行紋理分析。選用不同方向（0°、45°、90°、135°）的對比度、相關(guān)性、能量和同質(zhì)性4個特征值構(gòu)建灰度共生矩陣，對比度表示待檢測圖像相鄰像素亮度反差，相關(guān)性表示矩陣中不同元素在空間上的相似程度，能量表示用灰度共生矩陣元素值表示的平方和，同質(zhì)性表示矩陣中各個元素在對角線分布的緊密程度，用T1、T2、T3和T4表示4個不同方向的灰度共生矩陣，最終用T表示以上4個值的平均值：

進(jìn)而，取步長δ=1，構(gòu)造0°，45°，90°和135°4個方向的灰度共生矩陣，通過歸一化處理得到相關(guān)參數(shù)值。本文以飛機(jī)蒙皮表面的裂紋和腐蝕缺陷為例，建立了飛機(jī)蒙皮缺陷圖像樣本庫，部分樣本如圖5所示，（a），（b），（c）圖分別是提取的正常蒙皮、裂紋蒙皮和腐蝕蒙皮的部分樣本庫。

圖5 部分樣本庫

本文運(yùn)用MATLAB仿真實驗對不同缺陷類型的表面圖像進(jìn)行特征提取，提取了10個樣本，1～5為蒙皮裂紋樣本的特征參數(shù)，6～10為蒙皮腐蝕樣本的特征參數(shù)，從而得到不同缺陷圖像對應(yīng)的特征參數(shù)，見表1所示。

表1 灰度共生矩陣特征參數(shù)

1.3 基于BP神經(jīng)網(wǎng)絡(luò)的蒙皮缺陷識別

BP神經(jīng)網(wǎng)絡(luò)采用梯度下降算法，是一種基于誤差傳播方向的監(jiān)督學(xué)習(xí)算法[11]。本研究建立了基于機(jī)器視覺的飛機(jī)蒙皮缺陷檢測系統(tǒng)，通過網(wǎng)絡(luò)訓(xùn)練構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的蒙皮表面缺陷預(yù)測模型，首先選用4種特征參數(shù)作為輸入層節(jié)點參數(shù)，選用2種缺陷類型作為輸出層的節(jié)點數(shù)，飛機(jī)蒙皮表面裂紋和腐蝕的分類識別的對應(yīng)關(guān)系見表2，本次構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型中隱含層為一層，其節(jié)點的計算式為。

表2 期望輸出

式中：n為隱含層節(jié)點數(shù)，n1為輸入層節(jié)點數(shù)，n2為輸出層節(jié)點數(shù)，a為（1～10的常數(shù)）。

2 驗證

基于機(jī)器視覺的蒙皮缺陷檢測系統(tǒng)的硬件主要由工業(yè)CCD相機(jī)、LED光源、鏡頭和工控機(jī)組成，通過MATLAB算法并輔助使用OpenCV來實現(xiàn)圖像處理，使用JAVA-Web算法完成系統(tǒng)軟件的開發(fā)，系統(tǒng)登錄界面如圖6所示。

圖6 登錄界面

本系統(tǒng)使用真實的蒙皮樣本檢驗所述方法的準(zhǔn)確性和實用性，隨機(jī)選取了100個典型的蒙皮缺陷樣本，經(jīng)過537次的訓(xùn)練后設(shè)定誤差值為δ=0.01 ，建立了基于BP神經(jīng)網(wǎng)絡(luò)的飛機(jī)蒙皮缺陷檢測預(yù)測模型，拍攝獲取的缺陷圖像經(jīng)預(yù)處理和特征提取后融入訓(xùn)練好的預(yù)測模型進(jìn)行分類檢測，缺陷識別部分結(jié)果如圖7所示。

圖7 缺陷識別結(jié)果

樣本缺陷圖像的實際輸出和期望輸出如表3所示，飛機(jī)蒙皮缺陷圖像識別結(jié)果如表4所示，實驗結(jié)果表明，通過建立基于BP神經(jīng)網(wǎng)絡(luò)的蒙皮缺陷預(yù)測模型，飛機(jī)蒙皮的缺陷檢測率高達(dá)92%，能夠很好地滿足實際檢修要求。

表3 缺陷圖像輸出結(jié)果對比

表4 缺陷圖像識別結(jié)果

3 結(jié)語

本文以真實的飛機(jī)蒙皮缺陷檢測為背景，以機(jī)器視覺技術(shù)為主，輔以其他手段，運(yùn)用到蒙皮缺陷的分類識別中，通過樣本訓(xùn)練得到檢測模型，并將實際的待檢測的圖片輸入到模型中得到不同的缺陷類型，準(zhǔn)確率達(dá)到92%，從而能夠大大減少因蒙皮裂紋和腐蝕等缺陷導(dǎo)致的飛機(jī)空難事故。本文雖然取得一定的研究成果，但蒙皮缺陷圖像樣本庫有待擴(kuò)充和完善。后期可進(jìn)一步開發(fā)飛機(jī)蒙皮缺陷檢測軟件，建立缺陷信息數(shù)據(jù)庫，便于日常檢修時參考查閱。