航空鈑金零件缺失檢測技術研究

導語：航空鈑金零件缺失檢測技術研究一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：針對傳統鈑金零件缺失檢測效率差的問題，設計了基于VGG神經網絡的鈑金零件檢測方法。經實際驗證，航空鈑金零件缺失檢測技術能夠很好地識別鈑金零件缺失問題，具有較好的實用性。

關鍵詞：鈑金；缺失檢測；VGG網絡

在技術進展飛速的航空制造業中，鈑金零件比其他種類零件質量更好、成本更低，這兩個優勢使得零部件制造業越來越多地采用鈑金來設計制造，而鈑金零件是飛機整個機體結構制造中最關鍵的零部件，據不完全統計，目前整個飛機零件的43%以上均采用鈑金零件[1]。飛機零件中按照鈑金零件的結構特征來劃分，一般分為蒙皮類零件、框肋類零件、管子類零件、整體壁板類零件等多種類型。在現代化高科技的飛機制造中，鈑金零部件大多具有非常復雜的自由曲面，形狀不規則，飛機鈑金零件的機械加工工藝特點與通常的機械鈑金零件加工工藝具有較大的差別，隨著機械制造技術的不斷發展，鈑金零部件的加工技術要求越來越高，對鈑金零件的使用壽命要求異?？量?，以保證機械加工的每個鈑金零件都符合設計加工標準，使鈑金零件缺失等質量問題成為鈑金零件質量檢測中的小概率事件。傳統的人工鈑金零件缺失質量檢測方式不僅耗費資源，而且效率低，操作過程繁瑣、操作步驟異常多、重復性勞動多，很難滿足現代化的高效流程的大批量鈑金零件加工要求。本文針對這個問題，采用大規模數據訓練后的VGG神經網絡，對鈑金零件缺失進行檢測，提高鈑金零件缺失問題的質量檢驗效率，使企業具有更強的市場競爭力。

1VGG模型介紹

神經網絡又稱多層感知機，簡單的網絡由三層堆疊而成，主要有輸入層、隱藏層和輸出層，并以分層的方式進行數學抽象。神經網絡一般是由數量龐大的神經元通過某種特定的結構連接在一起的，組成了能夠并行處理的若干結構單元，每個神經元之間具有不同的連接權值，一旦特定的數據進到神經網絡的輸入層，這組數據就通過互相連接的網絡一步步輸出到了輸出層。網絡計算結果輸出時，每個層級之間的運算都會直接被連接權值影響，當連接權值變動時，輸出也會隨之同步進行變動。每個節點代表一個權重，而這個節點的隱藏層是由多個層堆疊而成的，層和層之間代表著對上一層網絡的輸入。之后進行線性運算導入到激活函數里來，而運算結果作為新的輸入再進入到下一層，按照這種方式逐層進行計算。為了采用每一層的激活函數來添加其非線性使得網絡能夠表達更多的數學信息，引入了激活函數，這樣能夠使神經網絡在理論上逼近任意函數。網絡訓練時利用網絡結構的前向傳播運算結果與實際結果進行比較運算。利用反向傳播算法會將誤差逐層進行傳播的特性，逐層運算逐層參數調整。VGG模型是一種卷積神經網絡模型，其主要設計思想是把網絡進行加深處理，然后把3×3的小卷積核和2×2的最大池化堆疊在一起，3×3卷積核是把其上下左右及中心等取最小值，把一部分的網絡結構對通道利用1×1卷積核運算使其改變，這個卷積步長在這個網絡結構中是1，然后進行卷積分組運算，把每組2~3個卷積層后放置到最大池化層中，每個池化在2×2像素的小窗口上平移[2]。神經網絡性能與網絡深度密切相關，深度越深效果越好，但隨著網絡深度的加深，神經網絡的訓練難度也會隨之增大。VGG模型比普通的神經網絡具有更深的網絡結構，采用了數量更多的卷積核，但是不會在每個卷積后增加池化層，而是把全部的卷積分成若干組，每個組具有2～3個卷積層，把組和組之間的連接放置到池化層中，據統計，VGG模型比普通的神經網絡錯誤率可降低17%。

2基于VGG的鈑金零件缺失檢測的設計

在鈑金設計過程中，一般會有大數量鈑金零件結構非常相似，但是尺寸會有細微的差別，這種典型的是標準件，比如螺栓、螺母、導柱、模柄等。還會有各種各樣的組合件。因為這種類型的鈑金零件數量非常龐大，而且結構形式非常繁多，在鈑金零件整個產品設計周期中需要被頻繁調用。那么如何減少鈑金零件設計制造過程中的殘次品率就顯得非常重要，如何在鈑金圖像中把前景坐標具體位置通過數學運算定位出來，然后把定位出來的前景信息與標準鈑金零件的前景信息進行數學對比運算，就可以計算出該鈑金零件是否為標準鈑金零件。一般圖像目標檢測主要分為兩種：一種是把定位回歸模型和物體分類模型全部放到一起的單階段目標檢測模型；一種是把目標框回歸檢測模型、物體分類檢測模型分成獨立的兩個階段進行的雙階段檢測模型。單階段檢測模型具有檢測速度快的優點，但缺點是精度較差，雙階段檢測模型優點是檢測精度較高，但缺點是檢測速度非常慢。鈑金零件缺失檢測思路。前景區域識別模型識別出來的前景區域作為網絡輸入，對目標檢測模型進行訓練學習，在包含前景區域的圖像中利用目標檢測模型計算出目標前景的具體坐標，然后把這個計算出的具體坐標和標準的鈑金零件圖像對比判斷是否存在誤差缺失。目標檢測一般有區域選擇、特征提取、目標分類和坐標框回歸四個步驟。特征提取是利用圖像本身特性對圖像進行運算處理，然后把提取出來的圖像特征輸入到VGG模型，然后對模型進行訓練。利用Sober算子來計算檢測圖像的邊緣信息求出水平邊緣和垂直邊緣，然后根據水平邊緣和垂直邊緣計算出梯度角度、梯度大小。根據圖像分成若干個小的單元格，把每個單元格等分為N份梯度角度，判斷每個單元格的梯度屬于N中的哪個位置，再計算出統計直方圖進行判斷，這樣每個單元格就變為一個N維的向量了，然后把圖像分開成K×K大小的單元格，每個單元格就具有X個單元，標準化這些直方圖運算，每個小方塊包括X×N個向量，假設圖像被分成M個小方塊，那么就能計算出X×N×M維的向量。利用產生的數據進行網絡訓練，然后把訓練好的VGG模型進行微調和優化。數據訓練檢測結果評價采用各類別的召回率R（Recall）和精度P（Preci-sion）來進行評價，如公式（1）、（2）：式中：PT為將正類預測為正類數；PF為將負類預測為正類數誤報；NF為將正類預測為負類數。通過實際驗證，系統設計的鈑金零件缺失檢測訓練網絡具有較高的識別效率。

3結語

針對鈑金零件缺失檢測問題，設計了基于VGG網絡的檢測技術。通過訓練VGG網絡，能夠很好地識別鈑金零件缺失，具有較好的實用性。

參考文獻

[1]楊艷洲.鈑金成形快速設計系統研究[D].南京：南京航空航天大學，2012.

[2]侯紅亮，王耀奇，李曉華，等.先進鈑金成形技術在航空航天領域的應用（上）[J].金屬加工（熱加工），2008（13）：60.

作者：陳曉童 單位：沈陽飛機工業（集團）有限公司