层合板凹坑损伤目视检出结果识别方法

2022-02-27刘艳红戴升鑫

中国民航大学学报 2022年6期

刘艳红，戴升鑫

（中国民航大学航空工程学院，天津 300300）

为提高飞机结构性能并减轻结构重量，多种性能优越的复合材料在现代飞机结构中得到广泛应用[1-3]。通常情况下，在飞机服役期间，对其结构损伤进行检测的方法有两类[4]：一般目视检测（GVI，general visual inspection）和详细目视检测（DET，detailed visual inspection）。对于飞机复合材料层合板结构设计而言，各类结构损伤的目视检测检出概率是飞机结构设计的重要依据，同时也是制定飞机结构维修计划的基础[5]。

国外先进的飞机制造商在复合材料结构设计中均通过试验确定了凹坑损伤的检出门槛值，以确保航空公司据此制订的维修方案能够检测出相应的损伤。因此，有必要对复合材料损伤目视检测检出概率进行研究，以提高目视检测的精确度和可靠性，可为国内开展更精确的飞机复合材料结构强度设计提供借鉴。

近年来，针对飞机复合材料结构损伤识别的研究成果较多。文献[6]将人工神经网络应用于飞机健康检测系统，以实现损伤指标分类。文献[7]中提出一种复合材料结构的整体检测系统，该系统结合了机器视觉技术和红外成像探测技术，采用支持向量机对3 种不同波长的热成像图像进行判决，实现损伤检测。华生明[8]提出了结合小波分析和BP 神经网络的复合材料结构凹坑损伤检测方法。韩文钦和顾爱军[9]采用经验模态分解方法提取损伤模式的峰值频率对损伤进行分离与识别，但由于分解的模态存在混叠现象，改变了本征模函数的物理意义，对损伤的识别准确率有较大影响。崔建国等[10]采用融合特征向量建立了基于增量型极限学习机的结构损伤识别方法。王昊等[11]根据飞机蒙皮不同损伤表面纹理的差异，提取图像的灰度共生矩阵，提出了基于模糊支持向量机的蒙皮图像损伤识别方法。闫占霄[12]采用支持向量机和李群机器学习两种算法对蒙皮表面损伤的红外热像图进行分类识别，损伤的识别率分别为94.6%与95.2%。王贤锋[13]利用遗传算法和粒子群算法对支持向量机的参数进行优化，得到粒子群算法改进型方法，该方法针对飞机蒙皮表面损伤的识别率优于以上多种方法，其识别率可达95.556%。

综上所述，目视检测试验的凹坑损伤样本数量大，使用人工方法对数据进行统计费时费力，且容易出现人为差错。现有基于损伤图像的各种识别方法识别算法复杂且识别率不满足目视检测结果高精度的要求。因此，本文提出一种简单、可靠且高效的复合材料层合板凹坑损伤目视检出结果识别方法。该方法具有计算机程序实现简单，图像分析工作量和数值计算量少的特点，并具有较高的识别效率。

1 试验过程

1.1 试验件

碳纤维复合材料层合板尺寸为1100 mm×1100mm，厚度为2.5 mm。白色板14 块、蓝色和绿色板各18 块。通过准静态方法在板的表面上引入不同深度的凹坑[14-16]。凹坑深度范围为0.05～1.50 mm，各板表面上的凹坑随机分布，各块板凹坑数量大约25～30 个。

1.2 试验条件

进行目视检测试验时，板面清洁光滑。板采用3种置放状态：板与垂直平面夹角θ 分别为15°、45°和60°，如图1 所示。3 种检测环境分别为室内反光、室内无反光和室外阴天。两类检测人员分别为没有任何经验的10 人和航空公司具有飞机目视检测经验的在职机务人员10 人。

图1 板的置放角度Fig.1 Placement angle of plate

1.3 检测过程

（1）各检测人员按照两类目视检测（GVI 和DET）的要求分区域对每块板表面进行观测。

（2）检测人员用一短杆指出所发现的凹坑损伤，然后协助人员在该凹坑损伤旁放置与板面颜色区别明显的标记吸盘，如图2 所示，要求标记吸盘的放置位置尽可能靠近凹坑损伤。

图2 目视检测试验Fig.2 Visual inspection test

（3）当每块板完成检测且所有检出的凹坑损伤标记吸盘放置完之后，另一工作人员拍下照片，以图像形式保存，如图3 所示，照片共18 000 张。

图3 检测完成后拍下的照片Fig.3 Photos taken after inspection

2 凹坑损伤检出结果的识别方法

2.1 影响检出结果识别率的因素

（1）部分照片存在标记吸盘被试验架定位零件遮挡的现象，因而导致部分照片中标记吸盘有残缺的情况，如图4 所示。

图4 被遮挡的吸盘Fig.4 Occluded suckers

（2）部分标记吸盘位于反光区域中。反光区域中的标记吸盘大小和圆形特征不清晰，如图5 所示。

图5 反光的照片Fig.5 Reflective photos

（3）工作人员手持相机拍摄时状态不稳定，会导致部分照片的清晰度不高，图像模糊，如图6 所示。

图6 模糊的照片Fig.6 Vague photos

（4）因为板面上的凹坑损伤位置呈随机分布状态，所以板面上有些区域的凹坑损伤较密集，被检出的凹坑损伤和相应的标记吸盘数量较多。这种情况严重影响标记吸盘与凹坑损伤对应关系的确定。

由于存在以上多种影响因素，如果以标记吸盘图像的几何特征为基础，很难采用现有的图像识别方法得到高识别率的检出结果，因而无法实现目视检测检出结果的准确统计。

2.2 基于吸盘颜色和距离最小的凹坑损伤识别方法

针对以上各种影响凹坑损伤检出结果识别的问题，基于该目视检测试验的目的，提出以标记吸盘颜色和距离最小相结合的识别方法。

（1）采用颜色特征识别标记吸盘。在分析程序中，采用了RGB 颜色模式标准，通过对红（red）、绿（green）、蓝（blue）3 个颜色通道的变化及其相互间的叠加来得到适用于区分板面和标记吸盘的颜色。例如，标记吸盘主颜色接近正红色，则以红、绿和蓝3 种颜色的叠加来给定“红色”的范围，从而达到对所有“红色”标记吸盘的识别。

（2）凹坑损伤与标记吸盘对应关系的确定。图像都是由像素组成的，像素坐标是像素在图像中的位置。以图像左上角为原点建立以像素为单位的直角坐标系。横坐标与纵坐标分别是图像数组中所在的列数与行数，如图7 所示。

图7 像素坐标系Fig.7 Pixel coordinate system

为了能够将检出的凹坑损伤与标记吸盘相对应，基于以上像素坐标系，引入了凹坑损伤与吸盘之间的距离概念。

采用统计学中的欧式距离定义。在二维和三维空间中的欧式距离就是两点之间的实际距离。二维平面上的两点A（u1，v1）和B（u2，v2）间的距离计算公式为

因为板表面上的每个标记吸盘标记出了一个凹坑损伤，因此可以假设与标记吸盘距离最近的凹坑损伤即是该标记吸盘所标记的凹坑损伤。为避免人为给定凹坑损伤位置对试验的影响，每块板由Mathematica随机函数产生25～30 个凹坑损伤的中心坐标，因此每块板凹坑损伤的中心坐标是已知的。因此，在获得某一标记吸盘中心的坐标后，可按式（1）计算该标记吸盘与板面上所有凹坑损伤的距离，通过比较便能检出距离该标记吸盘最近的凹坑损伤。

值得说明的是，根据上文欧式距离原理的要求，在进行距离对比之前，首先将照片调整和裁剪成方形图像，并设置与相应板面上损伤样图像素尺寸一致，即保证带有损伤检出标记的照片与板面上损伤样图具有相同的坐标系，因此不会对坐标值产生影响。另一方面，为了提高板面上被检出凹坑损伤的识别率，需要对照片进行增强颜色对比度的处理。

3 凹坑损伤检出结果的识别

3.1 识别过程

凹坑损伤检出结果的识别流程如图8 所示。

图8 检出结果识别流程Fig.8 Identification process of detection results

（1）每块板表面凹坑损伤的随机分布由Mathematica 随机函数产生。每个凹坑损伤有唯一的编号，且其中心坐标已知，如图9 所示。

图9 板中凹坑损伤的编号Fig.9 Number of dent damage in the plate

（2）将试验中拍下的照片，如图10 所示，调整并裁剪成方形，增加其颜色对比度，如图11 所示，图9和图11 的像素均为2 640×2 640 px。

图10 试验中拍下的照片Fig.10 Photos taken during the test

图11 通过处理后的照片Fig.11 The processed photos

（3）以红、绿和蓝3 种颜色的混合模式给定“红色吸盘”的“红色”范围，以此为基础，识别出所有“红色”标记吸盘，并对其进行编号。

（4）按照标记吸盘的“红色”像素所构成的几何区域计算其中心坐标。

（5）计算出图11 中某一标记吸盘的中心与图9中每个凹坑损伤中心的距离。

（6）若标记吸盘与某一凹坑损伤的最小距离小于预定阈值，则该凹坑损伤被检出。在检测试验中，要求工作人员在放置标记吸盘位置时尽可能靠近凹坑损伤，该距离在图像中小于50 px，因此预定阈值可设定为50 px，此时图像识别率达到99.95%。

（7）用1 表示凹坑损伤被检出，用0 表示凹坑损伤未被检出。

（8）根据凹坑编号、试件颜色、检测角度和检测类型等信息输出检出结果。

基于以上确定的识别原理和流程，利用Mathematica 中的Wolfram Language 编写了相应的实现代码，其中直接调用了较多的标准图像处理函数，例如Component、Measurements、ImageAdjust 和ImageTrim函数等。以某一蓝色试件的检出结果为例，凹坑损伤检测结果如表1 所示。