您當(dāng)前的位置：檢測(cè)資訊 > 生產(chǎn)品管
嘉峪檢測(cè)網(wǎng) 2024-12-03 11:38
飛機(jī)裝配是飛機(jī)制造過(guò)程中的核心環(huán)節(jié)。裝配質(zhì)量會(huì)直接影響飛機(jī)的外形精度、使用性能和服役壽命等。由于飛機(jī)結(jié)構(gòu)復(fù)雜，零部件較多且體積龐大，故飛機(jī)在裝配過(guò)程中容易出現(xiàn)錯(cuò)裝或漏裝等問(wèn)題，由此產(chǎn)生的安全隱患甚至?xí)斐蓢?yán)重的飛行事故。
1、飛機(jī)錯(cuò)漏裝問(wèn)題防范與控制意義
飛機(jī)裝配過(guò)程中的錯(cuò)漏裝是指裝配人員在現(xiàn)場(chǎng)對(duì)飛機(jī)的零部件、系統(tǒng)或子系統(tǒng)進(jìn)行裝配時(shí)出現(xiàn)的零部件、系統(tǒng)或子系統(tǒng)位置安裝錯(cuò)誤或缺失等問(wèn)題的統(tǒng)稱。
錯(cuò)漏裝可能導(dǎo)致飛機(jī)結(jié)構(gòu)強(qiáng)度不足、系統(tǒng)功能異常或性能下降，從而對(duì)飛行安全和飛機(jī)可靠性帶來(lái)負(fù)面影響。
2001年，加拿大越洋航空236號(hào)班機(jī)出現(xiàn)了嚴(yán)重的引擎漏油事故，事后調(diào)查發(fā)現(xiàn)其原因?yàn)榫S修人員在飛機(jī)起飛前錯(cuò)裝了液壓泵組件。同年4月份，某航修廠在一架A320飛機(jī)的右風(fēng)扇包皮中，未正確安裝導(dǎo)流片，導(dǎo)致該機(jī)在未經(jīng)允許的情況下，低于構(gòu)型偏離清單（CDL）飛行了3個(gè)月，險(xiǎn)些釀成事故。國(guó)內(nèi)民航機(jī)務(wù)2010—2020年的不安全事件統(tǒng)計(jì)分析表明，在473起事故中，錯(cuò)漏裝引起的事故有62起，占事故總數(shù)的13.1%。
因此，錯(cuò)漏裝檢測(cè)在飛機(jī)裝配過(guò)程中至關(guān)重要，起著確保飛機(jī)安全性和完整性能的關(guān)鍵作用。通過(guò)準(zhǔn)確檢測(cè)和糾正各形式的錯(cuò)誤裝配，可以消除潛在的裝配質(zhì)量隱患，確保飛機(jī)的正常運(yùn)行和乘客的安全。
隨著目標(biāo)檢測(cè)技術(shù)在裝配領(lǐng)域的發(fā)展應(yīng)用，飛機(jī)錯(cuò)漏裝檢測(cè)技術(shù)的前沿發(fā)展與應(yīng)用情況對(duì)提升飛行安全和可靠性具有重要的工程意義。
2、國(guó)內(nèi)外錯(cuò)漏裝檢測(cè)技術(shù)研究現(xiàn)狀
錯(cuò)漏裝檢測(cè)技術(shù)的發(fā)展歷程可以分為3個(gè)階段，即人工檢測(cè)階段、機(jī)械與傳感器檢測(cè)階段和人工智能檢測(cè)階段，如圖1所示。
圖1 錯(cuò)漏裝檢測(cè)技術(shù)發(fā)展歷程
各類錯(cuò)漏裝檢測(cè)技術(shù)的發(fā)展時(shí)間、應(yīng)用場(chǎng)景及優(yōu)缺點(diǎn)對(duì)比如下：
人工視覺(jué)檢測(cè)（20世紀(jì)初）
應(yīng)用場(chǎng)景：外觀缺陷檢測(cè)、零件位置和對(duì)齊檢測(cè)、標(biāo)識(shí)和標(biāo)記檢測(cè)等。
優(yōu)點(diǎn)：適應(yīng)性強(qiáng)，直觀性高，成本較低。
缺點(diǎn)：人為主觀影響較大，檢測(cè)效率低，受外界因素影響大，可靠性低。
測(cè)量工具檢測(cè)（20世紀(jì)中葉）
應(yīng)用場(chǎng)景：尺寸和孔徑檢測(cè)、平面度和平行度檢測(cè)、表面粗糙度檢測(cè)、線性度和角度檢測(cè)等。
優(yōu)點(diǎn)：相比目視檢查、精確度較高、測(cè)量結(jié)果直觀、成本較低。
缺點(diǎn)：受人為因素影響較大 、測(cè)量時(shí)間周期長(zhǎng) 、操作不便、無(wú)法檢測(cè)內(nèi)部情況。
機(jī)械與傳感器檢測(cè)（20世紀(jì)末至21世紀(jì)初）
應(yīng)用場(chǎng)景：機(jī)械檢測(cè)用于螺栓緊固力檢測(cè)、零件位置和對(duì)齊檢測(cè)、組件運(yùn)行狀態(tài)檢測(cè)等。
傳感器檢測(cè)用于液壓系統(tǒng)檢測(cè)、溫度檢測(cè)、位移和振動(dòng)檢測(cè)等。
優(yōu)點(diǎn)：能夠檢測(cè)內(nèi)部結(jié)構(gòu)、可檢測(cè)到較小的、缺陷和異物、實(shí)時(shí)監(jiān)測(cè)。
缺點(diǎn)：設(shè)備占地面積較大、操作不便 、只適用部分結(jié)構(gòu)檢測(cè) 、對(duì)于復(fù)雜結(jié)構(gòu)、傳感器信號(hào)解釋困難。
人工智能檢測(cè)（21世紀(jì)至今）
應(yīng)用場(chǎng)景：零件裝配缺陷檢測(cè)、部件位置和裝配符合性檢測(cè)、多余物檢測(cè)、涂裝和標(biāo)識(shí)檢測(cè)等。
優(yōu)點(diǎn)：可直接觀察、檢測(cè)物外觀適應(yīng)性強(qiáng)、操作簡(jiǎn)單、無(wú)損檢測(cè)。
缺點(diǎn)：對(duì)于內(nèi)部結(jié)構(gòu)的檢測(cè)有限 、對(duì)于復(fù)雜裝配需要人工干預(yù)。
隨著大數(shù)據(jù)時(shí)代的到來(lái)，自動(dòng)化檢測(cè)技術(shù)已經(jīng)逐漸與人工智能、增強(qiáng)現(xiàn)實(shí)與虛擬現(xiàn)實(shí)等先進(jìn)技術(shù)接軌，為飛機(jī)裝配提供了更準(zhǔn)確、高效和可靠的檢測(cè)手段。
通過(guò)機(jī)器視覺(jué)對(duì)待檢測(cè)物體進(jìn)行圖像采集，并利用模板匹配、機(jī)器學(xué)習(xí)或深度學(xué)習(xí)等方法進(jìn)行圖像目標(biāo)檢測(cè)進(jìn)而實(shí)現(xiàn)飛機(jī)裝配過(guò)程中的錯(cuò)漏裝檢測(cè)，其檢測(cè)流程如圖2所示。
圖2 采用機(jī)器視覺(jué)技術(shù)進(jìn)行錯(cuò)漏裝的無(wú)損檢測(cè)流程
人工智能檢測(cè)技術(shù)可以分析裝配過(guò)程中的圖像數(shù)據(jù)，并實(shí)時(shí)監(jiān)測(cè)裝配過(guò)程中零部件的位置、完整性、緊固件裝配和標(biāo)識(shí)等情況，能夠及時(shí)發(fā)現(xiàn)裝配錯(cuò)誤、漏裝或破損情況，并幫助操作人員進(jìn)行糾正，確保飛機(jī)的裝配質(zhì)量和安全性。
人工智能檢測(cè)可以高效地進(jìn)行大規(guī)模的檢測(cè)，并且對(duì)于復(fù)雜的裝配結(jié)構(gòu)和細(xì)節(jié)的檢測(cè)具有優(yōu)勢(shì)。在航空航天工業(yè)制造領(lǐng)域引入機(jī)器視覺(jué)技術(shù)可以充分發(fā)揮其優(yōu)勢(shì)，提高檢測(cè)效率和制造精度，同時(shí)降低人力成本，確保生產(chǎn)過(guò)程的安全性。
基于人工智能技術(shù)的錯(cuò)漏裝檢測(cè)方法一般分為模板匹配、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)3大類。
1、基于模板匹配的錯(cuò)漏裝檢測(cè)技術(shù)
模板匹配是最常用的一種目標(biāo)檢測(cè)方法，其通過(guò)計(jì)算模板與要查找圖像之間的相似度量來(lái)對(duì)目標(biāo)進(jìn)行識(shí)別與定位，其基于事先準(zhǔn)備好的模板圖像或模式，通過(guò)在輸入圖像中尋找匹配的模式來(lái)判斷是否存在裝配錯(cuò)誤或缺失部件。
該方法具有穩(wěn)定可靠且高效的特點(diǎn)，而被廣泛應(yīng)用于錯(cuò)漏裝檢測(cè)技術(shù)中。
從模板匹配的發(fā)展來(lái)看，模板匹配的算法主要分為基于灰度值的模板匹配算法和基于幾何特征的模板匹配算法兩大類。
基于灰度值的模板匹配算法主要通過(guò)像素灰度值的計(jì)算實(shí)現(xiàn)模板的匹配過(guò)程，計(jì)算灰度值之差的絕對(duì)值之和或差值的平方和得出相似度量，找出模板圖像在多次移動(dòng)中匹配到的相似度量最高的點(diǎn)，在該像素點(diǎn)位置處，模板像素點(diǎn)與圖像像素點(diǎn)之間的灰度值之差的絕對(duì)值接近零。
但是該方法只適用于目標(biāo)物體平移的情況，而且識(shí)別的效果較依賴光照的變化。
2019年，董元發(fā)等提出了一套基于灰度混雜區(qū)閾值模糊自適應(yīng)調(diào)整的微小金屬件漏裝視覺(jué)檢測(cè)方法，建立了不同裝配特征灰度分布混雜區(qū)動(dòng)態(tài)識(shí)別的數(shù)學(xué)模型，如圖3所示，解決了裝配現(xiàn)場(chǎng)圖像易受光照環(huán)境影響的問(wèn)題。該方法成功應(yīng)用于螺釘漏裝的機(jī)器視覺(jué)檢測(cè)系統(tǒng)中，展現(xiàn)了對(duì)手工裝配作業(yè)復(fù)雜光環(huán)境的魯棒性和適應(yīng)性。
圖3 微小金屬件漏裝模糊自適應(yīng)視覺(jué)檢測(cè)框架
基于幾何特征的模板匹配方法是一種常用的模板匹配方法，其通過(guò)對(duì)圖像中的幾何特征與模板的幾何特征來(lái)進(jìn)行匹配。
在飛機(jī)錯(cuò)漏裝檢測(cè)任務(wù)中，常用的幾何特征有邊緣特征、輪廓特征、角點(diǎn)特征、尺度不變特征和幾何關(guān)系特征等。
目前，常見(jiàn)的圖像邊緣檢測(cè)方法包括基于梯度的方法、基于二階導(dǎo)數(shù)的方法以及Canny算子等，利用圖像梯度的極值或二階導(dǎo)數(shù)過(guò)零點(diǎn)的值實(shí)現(xiàn)對(duì)圖像邊緣的檢測(cè)，并通過(guò)將圖像與微分算子模板進(jìn)行卷積來(lái)完成檢測(cè)。輪廓特征可以用來(lái)比較圖像中的物體輪廓與模板輪廓的相似度，從而進(jìn)行匹配。
意大利學(xué)者FRUSTACI等采用模板匹配方法，對(duì)基于特定幾何模型的圖像處理方法和特征提取算法進(jìn)行了驗(yàn)證，對(duì)焊接法蘭的錯(cuò)裝問(wèn)題進(jìn)行了自動(dòng)質(zhì)量檢測(cè)。該算法包括兩個(gè)步驟：對(duì)感興趣區(qū)域（RoI）進(jìn)行圖像分割；對(duì)圖像角度偏移進(jìn)行特征提取。
華中科技大學(xué)劉國(guó)召基于圓錐軸承滾子的幾何特征，提出了滾子倒裝、漏裝視覺(jué)檢測(cè)波形圖匹配算法。該算法以模板匹配方法為基礎(chǔ)，通過(guò)圖像預(yù)處理和區(qū)域分割得到待測(cè)組件輪廓區(qū)域，通過(guò)最小二乘法擬合得到內(nèi)圈內(nèi)輪廓的圓心坐標(biāo)，并展開(kāi)滾子分布的環(huán)帶區(qū)域，以區(qū)域中線為特征信息，通過(guò)坐標(biāo)變換繪制其灰度值分布的波形圖，再通過(guò)對(duì)比標(biāo)準(zhǔn)件與缺陷件的波形圖，實(shí)現(xiàn)滾子的倒裝、漏裝缺陷的準(zhǔn)確檢測(cè)。采用該算法的圓錐軸承滾子的幾何特征提取結(jié)果如圖4所示。
圖4 基于圓錐滾子軸承灰度值的幾何特征提取
浙江大學(xué)李靜寅采用分?jǐn)?shù)階差分算法優(yōu)化Canny算法，設(shè)計(jì)了優(yōu)化的錯(cuò)漏裝檢測(cè)圖像定位匹配算法，采用機(jī)器視覺(jué)實(shí)時(shí)采集待檢測(cè)區(qū)域的裝配圖像，通過(guò)角度偏差檢測(cè)算法，在與標(biāo)準(zhǔn)模板匹配時(shí)顯示出待測(cè)物體的位置、角度、比例及匹配值等信息，以此對(duì)多媒體導(dǎo)航儀內(nèi)的錯(cuò)漏裝問(wèn)題進(jìn)行檢測(cè)，檢測(cè)精度可達(dá)98.18%。
模板匹配方法的優(yōu)點(diǎn)在于簡(jiǎn)單直觀，容易實(shí)現(xiàn)。其適用于檢測(cè)相對(duì)簡(jiǎn)單的錯(cuò)漏裝情況，且特征提取依賴于算法設(shè)計(jì)人員的經(jīng)驗(yàn)和水平，每種方法都只針對(duì)固定場(chǎng)景，因此模板匹配方法存在一定的局限性；再加上其對(duì)光照、尺度、旋轉(zhuǎn)等因素變化敏感，對(duì)于復(fù)雜場(chǎng)景和變化較大的目標(biāo)可能表現(xiàn)不佳。
此外，模板匹配方法通常需要成本較高的計(jì)算資源和時(shí)間，尤其是在大規(guī)模圖像數(shù)據(jù)的匹配中。因此，在實(shí)際應(yīng)用中，對(duì)于更復(fù)雜的錯(cuò)漏裝檢測(cè)任務(wù)，通常需要結(jié)合其他方法，如機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，來(lái)提高檢測(cè)的準(zhǔn)確性和魯棒性。
2、基于機(jī)器學(xué)習(xí)的錯(cuò)漏裝檢測(cè)技術(shù)
基于機(jī)器學(xué)習(xí)的飛機(jī)錯(cuò)漏裝檢測(cè)技術(shù)利用機(jī)器學(xué)習(xí)算法和模型來(lái)檢測(cè)飛機(jī)裝配過(guò)程中可能出現(xiàn)的錯(cuò)誤和缺陷。相比傳統(tǒng)的基于模板匹配的方法，該技術(shù)可以從大量的數(shù)據(jù)中學(xué)習(xí)并自動(dòng)提取特征和模式，以實(shí)現(xiàn)更準(zhǔn)確的檢測(cè)和判斷。
隨著機(jī)器學(xué)習(xí)在目標(biāo)檢測(cè)領(lǐng)域的廣泛應(yīng)用，國(guó)內(nèi)外學(xué)者對(duì)于基于機(jī)器學(xué)習(xí)的錯(cuò)漏裝檢測(cè)技術(shù)進(jìn)行了進(jìn)一步研究。
RIO-TORTO等基于機(jī)器學(xué)習(xí)的方法將最新的領(lǐng)域自適應(yīng)和偽標(biāo)注方法應(yīng)用于實(shí)際裝配場(chǎng)景，以彌合車輛生成器生成的標(biāo)注數(shù)據(jù)與工廠底層采集的實(shí)際未標(biāo)注數(shù)據(jù)之間的差距。
WU等將機(jī)器視覺(jué)與機(jī)器學(xué)習(xí)相結(jié)合，研究了一種基于支持向量機(jī)（SVM）的產(chǎn)品錯(cuò)裝檢測(cè)方法，該方法先通過(guò)圖像處理技術(shù)對(duì)產(chǎn)品進(jìn)行缺陷類型識(shí)別，再利用SVM訓(xùn)練集匹配結(jié)果提高識(shí)別速度和準(zhǔn)確性。
機(jī)器學(xué)習(xí)方法在錯(cuò)漏裝檢測(cè)中具有一定的優(yōu)勢(shì)。該方法可以自動(dòng)學(xué)習(xí)錯(cuò)漏裝的特征和模式，無(wú)需手動(dòng)定義規(guī)則。此外，機(jī)器學(xué)習(xí)方法還可以適應(yīng)復(fù)雜場(chǎng)景和變化較大的目標(biāo)，具有較好的魯棒性和準(zhǔn)確性。
然而，機(jī)器學(xué)習(xí)方法也需要充足的訓(xùn)練樣本和特征設(shè)計(jì)的合理性。同時(shí)，數(shù)據(jù)的質(zhì)量和多樣性也對(duì)機(jī)器學(xué)習(xí)方法的性能有重要影響。
因此，在應(yīng)用機(jī)器學(xué)習(xí)進(jìn)行錯(cuò)漏裝檢測(cè)時(shí)，需要仔細(xì)設(shè)計(jì)和選擇特征，并確保訓(xùn)練數(shù)據(jù)集的充分性和代表性。
3、基于深度學(xué)習(xí)的錯(cuò)漏裝檢測(cè)技術(shù)
基于深度學(xué)習(xí)的物體表面缺陷檢測(cè)方法是一種端對(duì)端的檢測(cè)方法，其通過(guò)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，自動(dòng)學(xué)習(xí)圖像中的特征表示和模式，較人為設(shè)計(jì)規(guī)則更能準(zhǔn)確地表述和理解缺陷信息，從而實(shí)現(xiàn)高效準(zhǔn)確的錯(cuò)漏裝檢測(cè)。
對(duì)于錯(cuò)漏裝檢測(cè)任務(wù)，可以使用深度學(xué)習(xí)模型進(jìn)行分類或分割。在分類問(wèn)題中，模型學(xué)習(xí)從圖像中提取特征，并將其映射到正確或錯(cuò)誤裝配的類別中；在分割問(wèn)題中，模型學(xué)習(xí)對(duì)圖像進(jìn)行像素級(jí)別的標(biāo)記，將每個(gè)像素分為正確或錯(cuò)誤裝配的區(qū)域。
彭茂庭提出了一種基于模板匹配及神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法ROCM-SNN，該算法是對(duì)模板匹配算法OCM的改進(jìn)，與SIFT、LINE2D、BOLD、BORDER、OCM-DRW等目標(biāo)檢測(cè)算法相比，ROCM-SNN的目標(biāo)檢測(cè)準(zhǔn)確度最高。各算法在D-Textureless數(shù)據(jù)庫(kù)中對(duì)應(yīng)的ROC曲線如圖5所示。
圖5 各算法在D-Textureless數(shù)據(jù)庫(kù)中對(duì)應(yīng)的ROC曲線
電子科技大學(xué)楊冬結(jié)合模板匹配和深度學(xué)習(xí)的技術(shù)，研究了一種智能檢測(cè)裝配過(guò)程的方法，該方法將優(yōu)化的YOLO模型與VGG19模型集成，實(shí)現(xiàn)增強(qiáng)的目標(biāo)檢測(cè)網(wǎng)絡(luò)，通過(guò)圖像特征點(diǎn)實(shí)現(xiàn)了圖像拼接和模板匹配。
MAACK等通過(guò)深度學(xué)習(xí)的方法，采用異常檢測(cè)（AD）模型和歸一化流程對(duì)圖像數(shù)據(jù)進(jìn)行異常檢測(cè)和異常定位。
KOVILPILLAI等提出了一種基于深度學(xué)習(xí)的機(jī)器視覺(jué)方法，用于自動(dòng)檢測(cè)和分類制造業(yè)生產(chǎn)線上的缺陷產(chǎn)品，通過(guò)優(yōu)化激活函數(shù)對(duì)缺陷產(chǎn)品進(jìn)行識(shí)別和分類，其深度學(xué)習(xí)模型由16層卷積（3×3）、最大池化（Max pooling）和重激活函數(shù)（Relu-activation function）連接的32層組，該深度學(xué)習(xí)模型框架如圖6所示。
圖6 缺陷檢測(cè)深度學(xué)習(xí)模型框架
ZHU等使用深度殘差網(wǎng)絡(luò)（ResNet-G，ResNet-L）來(lái)提取目標(biāo)物體的特征信息，通過(guò)貝葉斯方法將這些信息融合，解決了由圖像分割引起的噪聲問(wèn)題。
ZHANG等提出了一種利用語(yǔ)義特征的目標(biāo)檢測(cè)方法，以解決SSD算法在準(zhǔn)確檢測(cè)小目標(biāo)物體方面的局限性。
REZATOFIGHI等提出了一種廣義交叉并集思想（GIoU），解決了檢測(cè)任務(wù)中沒(méi)有重疊部分時(shí)IoU無(wú)法直接優(yōu)化的問(wèn)題。
ZIPFEL等研究了基于深度神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督模型，其可以對(duì)物體的整體質(zhì)量進(jìn)行一般評(píng)估而不局限于固定的類別集。
深度學(xué)習(xí)方法在錯(cuò)漏裝檢測(cè)中具有以下優(yōu)勢(shì)：能夠自動(dòng)學(xué)習(xí)大量圖像數(shù)據(jù)中的復(fù)雜特征和模式，無(wú)需手動(dòng)設(shè)計(jì)特征；深度學(xué)習(xí)模型具有較強(qiáng)的泛化能力，可以適應(yīng)不同場(chǎng)景和變化條件下的錯(cuò)漏裝檢測(cè)任務(wù)；使用大規(guī)模的訓(xùn)練數(shù)據(jù)和合適的網(wǎng)絡(luò)結(jié)構(gòu)，深度學(xué)習(xí)模型可以實(shí)現(xiàn)較高的準(zhǔn)確性和自適應(yīng)性。
然而，深度學(xué)習(xí)方法也面臨一些挑戰(zhàn)。其需要大量的標(biāo)注數(shù)據(jù)來(lái)訓(xùn)練和優(yōu)化深度學(xué)習(xí)模型，且訓(xùn)練過(guò)程通常需要較長(zhǎng)的時(shí)間和更強(qiáng)大的計(jì)算資源。此外，深度學(xué)習(xí)模型的解釋性較低，很難解釋模型是如何做出錯(cuò)漏裝判斷的。
飛機(jī)裝配錯(cuò)漏裝檢測(cè)技術(shù)的挑戰(zhàn)與發(fā)展
盡管飛機(jī)錯(cuò)漏裝檢測(cè)技術(shù)在國(guó)內(nèi)已經(jīng)取得了一些進(jìn)展，但仍然需要面對(duì)一系列挑戰(zhàn)并隨著人工智能技術(shù)的發(fā)展而持續(xù)改進(jìn)。
飛機(jī)裝配過(guò)程涵蓋了多個(gè)環(huán)節(jié)和組件，每個(gè)環(huán)節(jié)可能需要采用不同的裝配方式和零部件，從而進(jìn)一步增加了對(duì)檢測(cè)算法的復(fù)雜性和適應(yīng)性的要求。故需要高效的數(shù)據(jù)處理和存儲(chǔ)技術(shù)，以及快速準(zhǔn)確的檢測(cè)算法來(lái)處理飛機(jī)裝配過(guò)程中產(chǎn)生的大量圖像和視頻數(shù)據(jù)。
此外，實(shí)際裝配環(huán)境中光照條件和視角的變化可能對(duì)圖像質(zhì)量和檢測(cè)算法的性能產(chǎn)生影響，因此克服光照和視角變化對(duì)算法魯棒性的挑戰(zhàn)也成為一個(gè)重要任務(wù)。
同時(shí)，在裝配過(guò)程的錯(cuò)漏裝檢測(cè)中，實(shí)時(shí)性是一個(gè)關(guān)鍵因素，為了及時(shí)糾正錯(cuò)誤，系統(tǒng)需要在實(shí)時(shí)或接近實(shí)時(shí)的條件下進(jìn)行檢測(cè)和反饋。因此，探索更高效的算法和計(jì)算平臺(tái)亦是未來(lái)的一個(gè)研究方向。
綜上分析，繪制了飛機(jī)裝配錯(cuò)漏裝檢測(cè)技術(shù)未來(lái)的發(fā)展方向，如圖7所示，主要包括以下幾方面內(nèi)容。
圖7 飛機(jī)裝配錯(cuò)漏裝檢測(cè)技術(shù)的未來(lái)發(fā)展
(1)多模態(tài)數(shù)據(jù)融合。結(jié)合使用圖像、深度信息和其他傳感器數(shù)據(jù)進(jìn)行裝配檢測(cè)，提高系統(tǒng)的魯棒性和準(zhǔn)確性。
(2)大模型與知識(shí)圖譜。進(jìn)一步優(yōu)化深度學(xué)習(xí)算法，結(jié)合大模型技術(shù)將多種深度學(xué)習(xí)檢測(cè)算法的優(yōu)點(diǎn)相融合，同時(shí)引入知識(shí)圖譜技術(shù)，設(shè)計(jì)更高效和準(zhǔn)確的網(wǎng)絡(luò)架構(gòu)，以提高檢測(cè)性能。
(3)強(qiáng)化學(xué)習(xí)與自主決策。結(jié)合強(qiáng)化學(xué)習(xí)和自主決策技術(shù)，使機(jī)器能夠在裝配過(guò)程中自主學(xué)習(xí)和決策，使系統(tǒng)能夠匹配多種數(shù)據(jù)結(jié)構(gòu)并能夠面向用戶輸出多種裝配檢測(cè)結(jié)果及建議，進(jìn)一步提高錯(cuò)誤檢測(cè)和糾正的能力。
(4)實(shí)時(shí)和可視化結(jié)果輸出。針對(duì)實(shí)時(shí)性要求，未來(lái)的研究可以探索更高效的算法和計(jì)算平臺(tái)，以實(shí)現(xiàn)實(shí)時(shí)或接近實(shí)時(shí)的錯(cuò)漏裝檢測(cè)和反饋。同時(shí)，結(jié)合虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)、3D影像生成和數(shù)字孿生等先進(jìn)技術(shù)，向用戶輸出多模態(tài)可視化結(jié)果，有效降低檢測(cè)過(guò)程中的人為因素干擾，提高效率的同時(shí)降低錯(cuò)檢率。
作者：王振宇1,2，張祥春2，嚴(yán)佳3，張曉慶2,4，武湛君3
工作單位：1.大連理工大學(xué) 力學(xué)與航空航天學(xué)院
2.中國(guó)航空綜合技術(shù)研究所
3.大連理工大學(xué) 材料科學(xué)與工程學(xué)院
4.廈門大學(xué) 人工智能研究院
第一作者簡(jiǎn)介：王振宇，碩士研究生，主要研究方向?yàn)橹悄軝z測(cè)與知識(shí)圖譜；
通信作者簡(jiǎn)介：張祥春，碩士，正高級(jí)工程師，主要研究方向?yàn)閿?shù)字化質(zhì)量和數(shù)字化檢測(cè)技術(shù)。
來(lái)源：《無(wú)損檢測(cè)》2024年11期
來(lái)源：無(wú)損檢測(cè)NDT
關(guān)于我們 聯(lián)系我們 營(yíng)業(yè)執(zhí)照 全國(guó)服務(wù)電話：400-818-0021 嘉峪檢測(cè)版權(quán)所有 備案號(hào)：京ICP備14047019號(hào)-2 
京公網(wǎng)安備11010802046783號(hào)
