劉艷紅，戴升鑫

（中國民航大學(xué)航空工程學(xué)院，天津 300300）

為提高飛機結(jié)構(gòu)性能并減輕結(jié)構(gòu)重量，多種性能優(yōu)越的復(fù)合材料在現(xiàn)代飛機結(jié)構(gòu)中得到廣泛應(yīng)用[1-3]。通常情況下，在飛機服役期間，對其結(jié)構(gòu)損傷進行檢測的方法有兩類[4]：一般目視檢測（GVI，general visual inspection）和詳細目視檢測（DET，detailed visual inspection）。對于飛機復(fù)合材料層合板結(jié)構(gòu)設(shè)計而言，各類結(jié)構(gòu)損傷的目視檢測檢出概率是飛機結(jié)構(gòu)設(shè)計的重要依據(jù)，同時也是制定飛機結(jié)構(gòu)維修計劃的基礎(chǔ)[5]。

國外先進的飛機制造商在復(fù)合材料結(jié)構(gòu)設(shè)計中均通過試驗確定了凹坑損傷的檢出門檻值，以確保航空公司據(jù)此制訂的維修方案能夠檢測出相應(yīng)的損傷。因此，有必要對復(fù)合材料損傷目視檢測檢出概率進行研究，以提高目視檢測的精確度和可靠性，可為國內(nèi)開展更精確的飛機復(fù)合材料結(jié)構(gòu)強度設(shè)計提供借鑒。

近年來，針對飛機復(fù)合材料結(jié)構(gòu)損傷識別的研究成果較多。文獻[6]將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于飛機健康檢測系統(tǒng)，以實現(xiàn)損傷指標分類。文獻[7]中提出一種復(fù)合材料結(jié)構(gòu)的整體檢測系統(tǒng)，該系統(tǒng)結(jié)合了機器視覺技術(shù)和紅外成像探測技術(shù)，采用支持向量機對3 種不同波長的熱成像圖像進行判決，實現(xiàn)損傷檢測。華生明[8]提出了結(jié)合小波分析和BP 神經(jīng)網(wǎng)絡(luò)的復(fù)合材料結(jié)構(gòu)凹坑損傷檢測方法。韓文欽和顧愛軍[9]采用經(jīng)驗?zāi)B(tài)分解方法提取損傷模式的峰值頻率對損傷進行分離與識別，但由于分解的模態(tài)存在混疊現(xiàn)象，改變了本征模函數(shù)的物理意義，對損傷的識別準確率有較大影響。崔建國等[10]采用融合特征向量建立了基于增量型極限學(xué)習(xí)機的結(jié)構(gòu)損傷識別方法。王昊等[11]根據(jù)飛機蒙皮不同損傷表面紋理的差異，提取圖像的灰度共生矩陣，提出了基于模糊支持向量機的蒙皮圖像損傷識別方法。閆占霄[12]采用支持向量機和李群機器學(xué)習(xí)兩種算法對蒙皮表面損傷的紅外熱像圖進行分類識別，損傷的識別率分別為94.6%與95.2%。王賢鋒[13]利用遺傳算法和粒子群算法對支持向量機的參數(shù)進行優(yōu)化，得到粒子群算法改進型方法，該方法針對飛機蒙皮表面損傷的識別率優(yōu)于以上多種方法，其識別率可達95.556%。

綜上所述，目視檢測試驗的凹坑損傷樣本數(shù)量大，使用人工方法對數(shù)據(jù)進行統(tǒng)計費時費力，且容易出現(xiàn)人為差錯?，F(xiàn)有基于損傷圖像的各種識別方法識別算法復(fù)雜且識別率不滿足目視檢測結(jié)果高精度的要求。因此，本文提出一種簡單、可靠且高效的復(fù)合材料層合板凹坑損傷目視檢出結(jié)果識別方法。該方法具有計算機程序?qū)崿F(xiàn)簡單，圖像分析工作量和數(shù)值計算量少的特點，并具有較高的識別效率。

1 試驗過程

1.1 試驗件

碳纖維復(fù)合材料層合板尺寸為1100 mm×1100mm，厚度為2.5 mm。白色板14 塊、藍色和綠色板各18 塊。通過準靜態(tài)方法在板的表面上引入不同深度的凹坑[14-16]。凹坑深度范圍為0.05～1.50 mm，各板表面上的凹坑隨機分布，各塊板凹坑數(shù)量大約25～30 個。

1.2 試驗條件

進行目視檢測試驗時，板面清潔光滑。板采用3種置放狀態(tài)：板與垂直平面夾角θ 分別為15°、45°和60°，如圖1 所示。3 種檢測環(huán)境分別為室內(nèi)反光、室內(nèi)無反光和室外陰天。兩類檢測人員分別為沒有任何經(jīng)驗的10 人和航空公司具有飛機目視檢測經(jīng)驗的在職機務(wù)人員10 人。

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

1.3 檢測過程

（1）各檢測人員按照兩類目視檢測（GVI 和DET）的要求分區(qū)域?qū)γ繅K板表面進行觀測。

（2）檢測人員用一短桿指出所發(fā)現(xiàn)的凹坑損傷，然后協(xié)助人員在該凹坑損傷旁放置與板面顏色區(qū)別明顯的標記吸盤，如圖2 所示，要求標記吸盤的放置位置盡可能靠近凹坑損傷。

圖2 目視檢測試驗Fig.2 Visual inspection test

（3）當每塊板完成檢測且所有檢出的凹坑損傷標記吸盤放置完之后，另一工作人員拍下照片，以圖像形式保存，如圖3 所示，照片共18 000 張。

圖3 檢測完成后拍下的照片F(xiàn)ig.3 Photos taken after inspection

2 凹坑損傷檢出結(jié)果的識別方法

2.1 影響檢出結(jié)果識別率的因素

（1）部分照片存在標記吸盤被試驗架定位零件遮擋的現(xiàn)象，因而導(dǎo)致部分照片中標記吸盤有殘缺的情況，如圖4 所示。

圖4 被遮擋的吸盤Fig.4 Occluded suckers

（2）部分標記吸盤位于反光區(qū)域中。反光區(qū)域中的標記吸盤大小和圓形特征不清晰，如圖5 所示。

圖5 反光的照片F(xiàn)ig.5 Reflective photos

（3）工作人員手持相機拍攝時狀態(tài)不穩(wěn)定，會導(dǎo)致部分照片的清晰度不高，圖像模糊，如圖6 所示。

圖6 模糊的照片F(xiàn)ig.6 Vague photos

（4）因為板面上的凹坑損傷位置呈隨機分布狀態(tài)，所以板面上有些區(qū)域的凹坑損傷較密集，被檢出的凹坑損傷和相應(yīng)的標記吸盤數(shù)量較多。這種情況嚴重影響標記吸盤與凹坑損傷對應(yīng)關(guān)系的確定。

由于存在以上多種影響因素，如果以標記吸盤圖像的幾何特征為基礎(chǔ)，很難采用現(xiàn)有的圖像識別方法得到高識別率的檢出結(jié)果，因而無法實現(xiàn)目視檢測檢出結(jié)果的準確統(tǒng)計。

2.2 基于吸盤顏色和距離最小的凹坑損傷識別方法

針對以上各種影響凹坑損傷檢出結(jié)果識別的問題，基于該目視檢測試驗的目的，提出以標記吸盤顏色和距離最小相結(jié)合的識別方法。

（1）采用顏色特征識別標記吸盤。在分析程序中，采用了RGB 顏色模式標準，通過對紅（red）、綠（green）、藍（blue）3 個顏色通道的變化及其相互間的疊加來得到適用于區(qū)分板面和標記吸盤的顏色。例如，標記吸盤主顏色接近正紅色，則以紅、綠和藍3 種顏色的疊加來給定“紅色”的范圍，從而達到對所有“紅色”標記吸盤的識別。

（2）凹坑損傷與標記吸盤對應(yīng)關(guān)系的確定。圖像都是由像素組成的，像素坐標是像素在圖像中的位置。以圖像左上角為原點建立以像素為單位的直角坐標系。橫坐標與縱坐標分別是圖像數(shù)組中所在的列數(shù)與行數(shù)，如圖7 所示。

圖7 像素坐標系Fig.7 Pixel coordinate system

為了能夠?qū)z出的凹坑損傷與標記吸盤相對應(yīng)，基于以上像素坐標系，引入了凹坑損傷與吸盤之間的距離概念。

采用統(tǒng)計學(xué)中的歐式距離定義。在二維和三維空間中的歐式距離就是兩點之間的實際距離。二維平面上的兩點A（u1，v1）和B（u2，v2）間的距離計算公式為

因為板表面上的每個標記吸盤標記出了一個凹坑損傷，因此可以假設(shè)與標記吸盤距離最近的凹坑損傷即是該標記吸盤所標記的凹坑損傷。為避免人為給定凹坑損傷位置對試驗的影響，每塊板由Mathematica隨機函數(shù)產(chǎn)生25～30 個凹坑損傷的中心坐標，因此每塊板凹坑損傷的中心坐標是已知的。因此，在獲得某一標記吸盤中心的坐標后，可按式（1）計算該標記吸盤與板面上所有凹坑損傷的距離，通過比較便能檢出距離該標記吸盤最近的凹坑損傷。

值得說明的是，根據(jù)上文歐式距離原理的要求，在進行距離對比之前，首先將照片調(diào)整和裁剪成方形圖像，并設(shè)置與相應(yīng)板面上損傷樣圖像素尺寸一致，即保證帶有損傷檢出標記的照片與板面上損傷樣圖具有相同的坐標系，因此不會對坐標值產(chǎn)生影響。另一方面，為了提高板面上被檢出凹坑損傷的識別率，需要對照片進行增強顏色對比度的處理。

3 凹坑損傷檢出結(jié)果的識別

3.1 識別過程

凹坑損傷檢出結(jié)果的識別流程如圖8 所示。

圖8 檢出結(jié)果識別流程Fig.8 Identification process of detection results

（1）每塊板表面凹坑損傷的隨機分布由Mathematica 隨機函數(shù)產(chǎn)生。每個凹坑損傷有唯一的編號，且其中心坐標已知，如圖9 所示。

圖9 板中凹坑損傷的編號Fig.9 Number of dent damage in the plate

（2）將試驗中拍下的照片，如圖10 所示，調(diào)整并裁剪成方形，增加其顏色對比度，如圖11 所示，圖9和圖11 的像素均為2 640×2 640 px。

圖10 試驗中拍下的照片F(xiàn)ig.10 Photos taken during the test

圖11 通過處理后的照片F(xiàn)ig.11 The processed photos

（3）以紅、綠和藍3 種顏色的混合模式給定“紅色吸盤”的“紅色”范圍，以此為基礎(chǔ)，識別出所有“紅色”標記吸盤，并對其進行編號。

（4）按照標記吸盤的“紅色”像素所構(gòu)成的幾何區(qū)域計算其中心坐標。

（5）計算出圖11 中某一標記吸盤的中心與圖9中每個凹坑損傷中心的距離。

（6）若標記吸盤與某一凹坑損傷的最小距離小于預(yù)定閾值，則該凹坑損傷被檢出。在檢測試驗中，要求工作人員在放置標記吸盤位置時盡可能靠近凹坑損傷，該距離在圖像中小于50 px，因此預(yù)定閾值可設(shè)定為50 px，此時圖像識別率達到99.95%。

（7）用1 表示凹坑損傷被檢出，用0 表示凹坑損傷未被檢出。

（8）根據(jù)凹坑編號、試件顏色、檢測角度和檢測類型等信息輸出檢出結(jié)果。

基于以上確定的識別原理和流程，利用Mathematica 中的Wolfram Language 編寫了相應(yīng)的實現(xiàn)代碼，其中直接調(diào)用了較多的標準圖像處理函數(shù)，例如Component、Measurements、ImageAdjust 和ImageTrim函數(shù)等。以某一藍色試件的檢出結(jié)果為例，凹坑損傷檢測結(jié)果如表1 所示。

表1 檢測結(jié)果Tab.1 Inspection results

續(xù)表1 檢測結(jié)果Tab.1 Inspection results(to be continued)

3.2 識別結(jié)果

采用以上識別原理和流程，針對層合板凹坑損傷目視檢測試驗在不同試驗條件下所拍下的18 000 張照片圖像進行識別，得到檢測檢出結(jié)果。

試驗結(jié)果表明，該方法可確保被檢出凹坑損傷的識別率達到99.95%。同時，該方法的計算機程序?qū)崿F(xiàn)簡單，圖像分析工作量和數(shù)值計算量少，具有較高的識別效率。

4 結(jié)語

復(fù)合材料層合板凹坑損傷目視檢測試驗要求嚴格且檢出結(jié)果要求統(tǒng)計準確。為了永久地記錄凹坑損傷的檢出結(jié)果，在被檢出的凹坑損傷處放置標記吸盤，并用照片圖像保存對應(yīng)檢測人員以板為單位的檢出結(jié)果，為后期的數(shù)據(jù)處理及統(tǒng)計分析奠定了準確可靠的基礎(chǔ)。

此外，因為試驗過程中的照片圖像部分區(qū)域存在反光和部分模糊等問題，所以對檢出凹坑損傷處的標記吸盤采用了簡單的顏色識別方法。采用標記吸盤與凹坑損傷距離最小的原理確定被檢出的凹坑損傷與標記吸盤的對應(yīng)關(guān)系。大量的圖像分析表明，該方法的準確率高、方法簡單且效率高。