周前飛， 丁樹慶， 馮月貴， 慶光蔚， 胡靜波

(南京市特種設(shè)備安全監(jiān)督檢驗(yàn)研究院，江蘇 南京 210000)

大型起重機(jī)金屬結(jié)構(gòu)的傳統(tǒng)人工檢測(cè)方法存在檢測(cè)盲區(qū)、高空作業(yè)危險(xiǎn)、勞動(dòng)強(qiáng)度大、效率低等問題，利用無(wú)人機(jī)搭載高分辨率視覺傳感器，實(shí)時(shí)采集顯示起重機(jī)待檢測(cè)部位的圖像進(jìn)行裂紋判定，具有非接觸、高精度和遠(yuǎn)程可視化等特點(diǎn)，尤其適合起重機(jī)高空金屬結(jié)構(gòu)遠(yuǎn)程檢測(cè)。但是，目前基于無(wú)人機(jī)的起重機(jī)檢測(cè)系統(tǒng)大多僅完成圖像采集、傳輸以及一些預(yù)處理[1-4]，而裂紋識(shí)別仍依賴檢驗(yàn)員肉眼瀏覽圖片來(lái)完成，存在對(duì)微小裂紋和色差不明顯裂紋不敏感、易漏檢微弱缺陷和長(zhǎng)時(shí)間檢測(cè)易疲勞等問題，導(dǎo)致缺陷檢測(cè)效率仍然較低且精度不高，并且缺乏對(duì)裂紋的遠(yuǎn)程量化評(píng)價(jià)方法，無(wú)法為結(jié)構(gòu)安全評(píng)估提供精確的數(shù)據(jù)支撐。因此，研究室外復(fù)雜背景下大型起重機(jī)高空鋼結(jié)構(gòu)表面裂紋檢測(cè)和量化識(shí)別方法，提高檢測(cè)精度和效率，具有重大的理論意義和應(yīng)用價(jià)值。

目前，基于機(jī)器視覺的裂紋檢測(cè)方法可以大致分為三類：傳統(tǒng)圖像分割檢測(cè)方法、基于機(jī)器學(xué)習(xí)的裂紋檢測(cè)方法和基于深度學(xué)習(xí)的裂紋檢測(cè)方法。傳統(tǒng)圖像分割檢測(cè)通過閾值分割、邊緣檢測(cè)、顏色分割、形態(tài)學(xué)分水嶺分割、頻率域分割等方法分離出裂紋區(qū)域進(jìn)行識(shí)別[5-7]，容易受外部環(huán)境、背景、光線等干擾，對(duì)于單一背景裂紋具有較好的檢測(cè)效果，不適合復(fù)雜背景多樣性裂紋檢測(cè)；機(jī)器學(xué)習(xí)方法通過人工設(shè)計(jì)并提取圖像中缺陷特征，采用SVM、AdaBoost、STRUM、CrackForest等分類器模型對(duì)缺陷進(jìn)行分類識(shí)別[8-10]，需要人工設(shè)計(jì)并提取特征，但人對(duì)特征的定義受經(jīng)驗(yàn)影響，人工設(shè)計(jì)的缺陷特征對(duì)于多樣性變化的魯棒性不高，當(dāng)人工設(shè)計(jì)算法無(wú)法表述圖像高級(jí)特征時(shí)，識(shí)別率會(huì)大大降低;深度學(xué)習(xí)檢測(cè)方法利用深度神經(jīng)網(wǎng)絡(luò)[11-14]，自動(dòng)從大數(shù)據(jù)樣本中學(xué)習(xí)目標(biāo)深度特征，代替人工構(gòu)造特征，對(duì)缺陷特征的描述更貼近真實(shí)情況，更具有魯棒性，從而提升識(shí)別率，并且可以檢測(cè)出傳統(tǒng)機(jī)器視覺算法檢測(cè)不到的微弱缺陷[15]。

由于起重機(jī)械金屬結(jié)構(gòu)形狀復(fù)雜，涉及箱型梁、工字梁、桁架等多維度平面和三維曲面檢測(cè)，不同表面光照差異大，對(duì)比度低，裂紋形態(tài)多變，背景復(fù)雜，存在焊接紋理、劃痕、水漬、漆膜開裂等偽裂紋缺陷干擾。為改善箱型梁下蓋板等人員不易到達(dá)部位的拍攝視角問題，研制出一種基于倒置式無(wú)人機(jī)平臺(tái)的智能視覺檢測(cè)系統(tǒng)，可快速全方位高質(zhì)量采集并實(shí)時(shí)顯示被檢測(cè)部位的圖像；在此基礎(chǔ)上，提出了一種適應(yīng)起重機(jī)械金屬結(jié)構(gòu)復(fù)雜背景和復(fù)雜表面特征的缺陷檢測(cè)和識(shí)別算法，實(shí)現(xiàn)對(duì)結(jié)構(gòu)表面裂紋缺陷的自動(dòng)判別分類和量化評(píng)價(jià)，提高了結(jié)構(gòu)缺陷檢測(cè)的靈敏度和識(shí)別精度，提升了起重機(jī)械金屬結(jié)構(gòu)檢測(cè)的自動(dòng)化和智能化水平。

1 關(guān)鍵技術(shù)

1.1 倒置式無(wú)人機(jī)智能檢測(cè)系統(tǒng)設(shè)計(jì)

針對(duì)大型起重機(jī)結(jié)構(gòu)檢測(cè)的應(yīng)用特殊性，研發(fā)了適應(yīng)起重機(jī)金屬結(jié)構(gòu)缺陷檢測(cè)的倒置式工業(yè)級(jí)無(wú)人機(jī)檢測(cè)系統(tǒng)，如圖1所示。為便于拍攝橋門式起重機(jī)主梁下蓋板和門座式起重機(jī)象鼻梁等人員不易到達(dá)的關(guān)鍵受力部位，將正常情況下搭載在無(wú)人機(jī)正下方的相機(jī)云臺(tái)改為布置在無(wú)人機(jī)本體上方，使云臺(tái)垂直方向俯仰角范圍達(dá)到±90°，水平方向運(yùn)動(dòng)范圍達(dá)到±150°，既能向下俯視成像，又能向上仰視成像，能夠?qū)Υ笮推鹬貦C(jī)各種關(guān)鍵部位進(jìn)行多方位拍攝且無(wú)視場(chǎng)死角，具備良好的適應(yīng)性。

圖1 倒置式無(wú)人機(jī)智能視覺檢測(cè)系統(tǒng)樣機(jī)

系統(tǒng)利用無(wú)人機(jī)為平臺(tái)搭載高分辨率可見光相機(jī)，獲取被測(cè)結(jié)構(gòu)表面圖像，通過通信鏈路傳給地面控制臺(tái)實(shí)時(shí)顯示，并利用圖像處理算法對(duì)結(jié)構(gòu)表面缺陷特征進(jìn)行智能檢測(cè)和識(shí)別。系統(tǒng)搭載的相機(jī)分辨率為1600萬(wàn)像素，支持機(jī)載端4K高清視頻、1600萬(wàn)像素圖片存儲(chǔ)，支持H.265視頻壓縮和1080P高清視頻無(wú)線傳輸?shù)降孛婵刂婆_(tái)顯示。鏡頭焦距為50 mm，畸變率小于2%，在實(shí)驗(yàn)室利用裂紋尺測(cè)試相機(jī)分辨能力，如圖2所示，當(dāng)相機(jī)距離目標(biāo)3 m時(shí)，能分辨出寬度為0.1 mm的微裂紋，可以滿足無(wú)人機(jī)在安全距離外檢測(cè)結(jié)構(gòu)表面裂紋的要求。

1.2 Faster R-CNN深度神經(jīng)網(wǎng)絡(luò)裂紋檢測(cè)算法

Faster R-CNN神經(jīng)網(wǎng)絡(luò)由卷積神經(jīng)網(wǎng)絡(luò)、區(qū)域生成網(wǎng)絡(luò)、池化層、最終分類器4個(gè)部分組成[16]，將區(qū)域生成網(wǎng)絡(luò)與Fast R-CNN[17]對(duì)象檢測(cè)網(wǎng)絡(luò)相結(jié)合，生成一個(gè)共享全圖的卷積特征與檢測(cè)網(wǎng)絡(luò)，經(jīng)過訓(xùn)練生成高質(zhì)量的區(qū)域建議(數(shù)量限定為300個(gè))，F(xiàn)ast R-CNN將其用于檢測(cè)，由于區(qū)域生成網(wǎng)絡(luò)的預(yù)測(cè)絕大部分在GPU中完成，且卷積網(wǎng)和Fast R-CNN部分共享，因此大幅提升了檢測(cè)速度。

利用Faster R-CNN深度神經(jīng)網(wǎng)絡(luò)對(duì)裂紋缺陷進(jìn)行檢測(cè)算法流程如圖3所示，通過分類層和回歸層來(lái)實(shí)現(xiàn)對(duì)缺陷的分類和檢測(cè)，第1組分類和回歸在區(qū)域生成網(wǎng)絡(luò)處，分類檢測(cè)是否有裂紋，屬于二分類問題，回歸進(jìn)行候選區(qū)域的初步選取；第2組分類和回歸在池化層后的預(yù)測(cè)網(wǎng)絡(luò)，回歸為確定候選區(qū)域在圖像中的精確位置。

根據(jù)圖3所示，F(xiàn)aster R-CNN神經(jīng)網(wǎng)絡(luò)裂紋檢測(cè)算法包括以下4個(gè)步驟。

圖3 Faster R-CNN神經(jīng)網(wǎng)絡(luò)裂紋檢測(cè)算法流程

① 將訓(xùn)練集圖像輸入到深度神經(jīng)網(wǎng)絡(luò)算法模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型，然后將待檢測(cè)圖像輸入到訓(xùn)練好的模型，進(jìn)行VGG16卷積運(yùn)算得到原始特征圖。

② 將原始特征圖傳入?yún)^(qū)域生成網(wǎng)絡(luò)，提取包含目標(biāo)概率更高的若干區(qū)域，實(shí)現(xiàn)裂紋缺陷有無(wú)的檢測(cè)。特征圖為卷積神經(jīng)網(wǎng)絡(luò)輸出的最后一層，在此特征圖的基礎(chǔ)上再做一次卷積，生成 256個(gè)特征圖，然后分別做分類和回歸，分類層輸出預(yù)測(cè)屬于裂紋缺陷或者背景的概率；回歸層輸出缺陷位置預(yù)測(cè)目標(biāo)框的 3個(gè)參數(shù)：目標(biāo)框左上角位置、長(zhǎng)度和高度。

③ 池化層將不同大小的輸入特征轉(zhuǎn)換為固定長(zhǎng)度的輸出特征，將最后一層卷積層得到的256個(gè)特征圖下采樣到大小為7×7的網(wǎng)絡(luò)中，對(duì)每個(gè)網(wǎng)絡(luò)進(jìn)行最大池化處理，將不同大小的特征變成了統(tǒng)一大小的特征向量，確保每一個(gè)不同大小的窗口具有相同的維度，形成固定大小的特征圖，方便進(jìn)行全連接操作。

④ 利用池化層后的預(yù)測(cè)網(wǎng)絡(luò)實(shí)現(xiàn)缺陷分類識(shí)別和精確定位，確定候選區(qū)域在圖像中的精確位置。

1.3 裂紋參數(shù)識(shí)別算法

在檢測(cè)出裂紋缺陷與其位置后，還需要對(duì)金屬結(jié)構(gòu)表面裂紋寬度、長(zhǎng)度、方向等相關(guān)參數(shù)進(jìn)行定性和定量分析，為金屬結(jié)構(gòu)安全評(píng)估提供精確有效的數(shù)據(jù)基礎(chǔ)。裂紋參數(shù)識(shí)別算法流程如圖4所示，包括圖像預(yù)處理(灰度化、濾波去噪、對(duì)比度增強(qiáng)、二值化分割)、裂紋邊緣檢測(cè)、裂紋參數(shù)識(shí)別、偽裂紋去除等步驟。

圖4 裂紋參數(shù)識(shí)別與評(píng)價(jià)算法流程

如圖4所示，為減小計(jì)算量，直接對(duì)Faster R-CNN神經(jīng)網(wǎng)絡(luò)檢測(cè)出的裂紋目標(biāo)框區(qū)域進(jìn)行處理，首先將目標(biāo)框區(qū)域彩色圖像轉(zhuǎn)化為灰度圖像，采用濾波去噪和對(duì)比度增強(qiáng)方法使圖像裂紋特征更為突出，在圖像二值化分割的過程中，利用最大熵閾值法確定閾值對(duì)圖像進(jìn)行分割，能夠有效準(zhǔn)確地區(qū)別裂紋區(qū)域和背景區(qū)域；然后采用 Canny 算子提取裂紋邊緣，由于裂紋形狀各異且整體呈“線狀”分布，計(jì)算裂紋邊緣最小外接矩形的長(zhǎng)寬比對(duì)裂紋方向進(jìn)行識(shí)別，分為橫向、豎向、斜向裂紋。

根據(jù)式(1)～式(3)計(jì)算裂紋的水平、垂直投影向量和面積，繪制裂紋的垂直、水平方向投影曲線圖，獲取裂紋最大寬度、最小寬度。利用最大圓盤形態(tài)學(xué)骨架提取算法[18]，獲取裂紋的單像素寬形態(tài)學(xué)骨架，并對(duì)短枝噪聲進(jìn)行消去處理，統(tǒng)計(jì)骨架化的裂紋像素?cái)?shù)得到其長(zhǎng)度L，根據(jù)式(4)計(jì)算面積S與長(zhǎng)度L的比值為裂紋平均寬度D：

(1)

(2)

(3)

(4)

式中：g(x,y)為閾值分割和邊緣提取后的二值圖像中坐標(biāo)為(x,y)的像素點(diǎn)灰度值；H(x)為水平方向(行方向)投影向量，表示各行方向g值為1的像素點(diǎn)個(gè)數(shù)；V(y)為垂直方向(列方向)投影向量，表示各列方向g值為1的像素點(diǎn)個(gè)數(shù)；S為裂紋面積，表示裂紋目標(biāo)框區(qū)域g值為1的像素點(diǎn)個(gè)數(shù)；L為裂紋長(zhǎng)度，表示裂紋單像素寬骨架的像素點(diǎn)個(gè)數(shù)；D為裂紋平均寬度。

由于起重機(jī)結(jié)構(gòu)表面背景復(fù)雜、干擾目標(biāo)多，檢測(cè)結(jié)果中可能包含漆膜開裂和水漬等偽裂紋缺陷，因此需要做進(jìn)一步鑒別。鑒于真裂紋一般表現(xiàn)為非常細(xì)的黑線，長(zhǎng)寬比很大，在局部范圍內(nèi)方向具有一致性，而偽裂紋一般不具有這些特征，通常表現(xiàn)為孤立的相對(duì)較小的點(diǎn)或小塊。因此，設(shè)計(jì)基于長(zhǎng)寬比(L/D)和面積S的真?zhèn)瘟鸭y鑒別方法：當(dāng)目標(biāo)面積大于某一閾值T1且長(zhǎng)寬比大于某一閾值T2時(shí)，判定為真裂紋，予以保留，否則判定為偽裂紋，消除該候選目標(biāo)。最后，根據(jù)針孔成像模型和物距標(biāo)定出每個(gè)像素代表的實(shí)際物理尺寸，計(jì)算裂紋的實(shí)際寬度和長(zhǎng)度。

1.4 基于無(wú)人機(jī)圖像的結(jié)構(gòu)表面裂紋檢測(cè)流程

開發(fā)無(wú)人機(jī)圖像智能檢測(cè)系統(tǒng)軟件，調(diào)用裂紋缺陷檢測(cè)與識(shí)別算法，完成缺陷的自動(dòng)檢測(cè)，同時(shí)可導(dǎo)入設(shè)備基礎(chǔ)信息，現(xiàn)場(chǎng)出具檢測(cè)報(bào)告，具體檢測(cè)流程如圖5所示。將無(wú)人機(jī)采集的圖像傳輸?shù)綀D像智能檢測(cè)系統(tǒng)，設(shè)定與算法運(yùn)行速度匹配的取幀頻率；調(diào)用Faster R-CNN神經(jīng)網(wǎng)絡(luò)算法對(duì)當(dāng)前幀圖像是否存在裂紋進(jìn)行定性檢測(cè)，如果檢測(cè)到有裂紋缺陷，用裂紋的最小外接矩形框標(biāo)記缺陷位置，并提取裂紋目標(biāo)框區(qū)域圖像；然后，調(diào)用裂紋參數(shù)識(shí)別算法，對(duì)各裂紋的寬度、長(zhǎng)度、方向、面積、長(zhǎng)寬比等進(jìn)行識(shí)別，并根據(jù)裂紋面積和長(zhǎng)寬比是否大于設(shè)定閾值，識(shí)別并剔除偽裂紋缺陷，為設(shè)備維護(hù)保養(yǎng)提供輔助決策。

圖5 基于無(wú)人機(jī)視覺的起重機(jī)表面裂紋檢測(cè)流程

2 實(shí)驗(yàn)結(jié)果與分析

2.1 裂紋的快速定性檢測(cè)實(shí)驗(yàn)

實(shí)驗(yàn)采用 TensorFlow 作為深度學(xué)習(xí)框架，使用GPU 對(duì)訓(xùn)練過程進(jìn)行加速，其使用的主要硬件配置是Xeon E5-2620 v4處理器、128 GB內(nèi)存和NVIDIA GTX 1080 Ti 顯卡；軟件環(huán)境是 Linux 系統(tǒng)和Python 3.7，GPU 加速庫(kù)采用 CUDA 9.0.176和 CUDNN 7.0.4。采用準(zhǔn)確率和速度來(lái)衡量裂紋檢測(cè)效果，對(duì)于給定的測(cè)試數(shù)據(jù)集，準(zhǔn)確率為標(biāo)記正確的裂紋目標(biāo)框個(gè)數(shù)與標(biāo)記出的所有目標(biāo)框個(gè)數(shù)之比。

采用2000張金屬裂紋灰度化圖片、80張裂紋試塊圖片、50張起重機(jī)金屬結(jié)構(gòu)圖片作為訓(xùn)練集，部分訓(xùn)練圖像如圖6所示。

圖6 部分裂紋缺陷訓(xùn)練數(shù)據(jù)集圖像

采用40張起重機(jī)金屬結(jié)構(gòu)圖片作為測(cè)試集，部分圖像檢測(cè)結(jié)果如圖7所示，在裂紋目標(biāo)框左上角用英文字母neg來(lái)標(biāo)記裂紋，neg后面的數(shù)字表示算法判定該區(qū)域?yàn)榱鸭y的概率(0～1)。

從圖7可以看出，F(xiàn)aster R-CNN深度神經(jīng)網(wǎng)絡(luò)檢測(cè)識(shí)別算法能準(zhǔn)確地檢測(cè)出圖像中裂紋缺陷，并對(duì)缺陷區(qū)域進(jìn)行精確定位，統(tǒng)計(jì)測(cè)試集的檢測(cè)結(jié)果，裂紋檢測(cè)平均準(zhǔn)確率達(dá)到95.4%，速度達(dá)到2 f/s。下面通過裂紋參數(shù)識(shí)別算法對(duì)裂紋長(zhǎng)度、寬度進(jìn)行進(jìn)一步識(shí)別，以利于量化評(píng)估。

圖7 部分測(cè)試圖像的裂紋檢測(cè)效果

2.2 裂紋的量化識(shí)別實(shí)驗(yàn)

利用無(wú)人機(jī)檢測(cè)系統(tǒng)距離3 m拍攝已知裂紋尺寸的試塊圖像，裂紋通過線切割方法得到，各裂紋位置分布如圖8所示，裂紋真實(shí)尺寸如表1所示，寬度范圍為0.05～0.4 mm。

表1 T型角焊縫試塊中各裂紋真實(shí)尺寸

圖8 T型角焊縫試塊中各裂紋位置分布

通過1.2節(jié)Faster R-CNN深度神經(jīng)網(wǎng)絡(luò)算法檢測(cè)出裂紋及其所在位置，結(jié)果如圖9所示；然后對(duì)裂紋目標(biāo)框區(qū)域進(jìn)行處理，調(diào)用1.3節(jié)裂紋參數(shù)識(shí)別算法，對(duì)裂紋的長(zhǎng)度和寬度進(jìn)行定量檢測(cè)和分析，并與裂紋的真實(shí)尺寸進(jìn)行比較，以驗(yàn)證算法的準(zhǔn)確性。

圖9 T型焊縫試塊裂紋檢測(cè)結(jié)果

以左側(cè)焊縫豎裂紋和右側(cè)母材斜裂紋為例，用裂紋參數(shù)識(shí)別算法進(jìn)行處理，得到結(jié)果如圖10和圖11所示，圖中(a)～(g)依次為原始圖像、灰度圖像、中值濾波去噪后的圖像、對(duì)比度增強(qiáng)圖像、最大熵閾值分割圖像、Canny邊緣檢測(cè)與裂紋識(shí)別、裂紋最小外接矩形標(biāo)記。

圖10 左側(cè)焊縫豎裂紋識(shí)別

圖11 右側(cè)母材斜裂紋識(shí)別

然后，根據(jù)裂紋最小外接矩形的長(zhǎng)寬比判別裂紋方向，并對(duì)裂紋進(jìn)行垂直、水平方向積分投影，獲取裂紋的垂直、水平方向投影曲線圖，如圖12所示，其中行投影為水平方向投影，列投影為垂直方向投影，其中橫坐標(biāo)表示圖像行坐標(biāo)或列坐標(biāo)，縱坐標(biāo)表示位置為該行坐標(biāo)或列坐標(biāo)的像素個(gè)數(shù)。

圖12 裂紋區(qū)域的水平、垂直方向投影曲線圖

從圖12(a)、圖12(b)可以看出，左側(cè)焊縫豎裂紋的最大寬度為7 px，列投影有明顯的凸起區(qū)域，說(shuō)明該裂紋為縱向裂紋；提取裂紋單像素寬骨架，統(tǒng)計(jì)其像素?cái)?shù)得到裂紋長(zhǎng)度為271 px，計(jì)算裂紋面積與長(zhǎng)度的比值得到平均寬度約為4.00 px，長(zhǎng)寬比為67.75。從圖12(c)、圖12(d)可以看出，右側(cè)母材斜裂紋的最小寬度為2 px，最大寬度為5 px，行、列投影在整個(gè)坐標(biāo)軸范圍內(nèi)均有分布，說(shuō)明該裂紋為斜裂紋；提取裂紋單像素寬骨架，統(tǒng)計(jì)其像素?cái)?shù)得到裂紋長(zhǎng)度為591 px，計(jì)算裂紋面積與長(zhǎng)度的比值得到平均寬度約為3.00 px，長(zhǎng)寬比為197。相機(jī)分辨率為4640 px×3480 px，經(jīng)標(biāo)定后每像素的實(shí)際物理距離為0.07 mm，計(jì)算裂紋的實(shí)際長(zhǎng)度和平均寬度，并與表1中裂紋的真實(shí)尺寸對(duì)比(左側(cè)焊縫豎裂紋對(duì)應(yīng)豎裂紋2，右側(cè)母材斜裂紋對(duì)應(yīng)斜裂紋5)，計(jì)算裂紋測(cè)量相對(duì)誤差，如表2所示。

表2 裂紋參數(shù)識(shí)別誤差

從表2可以看出，裂紋長(zhǎng)度和寬度的測(cè)量值與真實(shí)尺寸非常接近，寬度平均測(cè)量誤差為5.83%，長(zhǎng)度平均測(cè)量誤差為7.61%，裂紋參數(shù)識(shí)別算法能夠準(zhǔn)確地測(cè)量出裂紋的寬度和長(zhǎng)度，可以滿足結(jié)構(gòu)安全評(píng)估的要求。

同時(shí)，在實(shí)驗(yàn)中發(fā)現(xiàn)，圖像獲取的檢測(cè)條件對(duì)裂紋定量評(píng)價(jià)結(jié)果有較大影響，例如光照強(qiáng)度、拍攝距離、成像系統(tǒng)噪聲、溫度、振動(dòng)等。環(huán)境光在金屬表面形成一部分反射光和逆光陰影，或者由于光照不均勻使圖像亮度不均，造成圖像邊緣不清晰，引起邊緣提取誤差，導(dǎo)致測(cè)量精度降低。因此，無(wú)人機(jī)應(yīng)盡量順光拍攝結(jié)構(gòu)表面，并采用直方圖均衡化、線性灰度拉伸、同態(tài)濾波等對(duì)比度增強(qiáng)算法，降低光照條件變化帶來(lái)的影響。根據(jù)針孔成像模型，拍攝距離直接影響每個(gè)像素對(duì)應(yīng)的實(shí)際物理尺寸(即像素當(dāng)量)，在保證安全的前提下，無(wú)人機(jī)應(yīng)盡可能靠近結(jié)構(gòu)表面進(jìn)行拍攝，以獲取更小的像素當(dāng)量，提高圖像測(cè)量精度。

此外，CCD暗電流噪聲、像元響應(yīng)非均勻性、散粒噪聲、量化誤差、熱電子噪聲等成像系統(tǒng)自身噪聲對(duì)測(cè)量精度也有較大影響，應(yīng)采用中值濾波等方法消除噪聲影響，突出裂紋特征，提高系統(tǒng)測(cè)量精度。相機(jī)振動(dòng)會(huì)引起圖像抖動(dòng)和模糊，降低圖像清晰度，直接影響裂紋的精確測(cè)量，因此無(wú)人機(jī)采用基于擠壓式減振球的高精度云臺(tái)防抖和減振技術(shù)，保證拍攝圖像穩(wěn)定性和清晰度要求。溫度過高會(huì)導(dǎo)致成像系統(tǒng)信噪比急劇下降，過低會(huì)影響系統(tǒng)采集圖像的穩(wěn)定性和均勻性，因此在環(huán)境溫度過低時(shí)可以先對(duì)系統(tǒng)進(jìn)行適當(dāng)?shù)念A(yù)熱，溫度過高時(shí)可以加裝散熱裝置，從而提高成像品質(zhì)，并進(jìn)一步提高系統(tǒng)測(cè)量精度。

3 結(jié)束語(yǔ)

針對(duì)大型起重機(jī)結(jié)構(gòu)裂紋檢測(cè)的特點(diǎn)，設(shè)計(jì)了倒置式工業(yè)級(jí)無(wú)人機(jī)檢測(cè)平臺(tái)，能夠?qū)Υ笮推鹬貦C(jī)各種關(guān)鍵部位進(jìn)行多方位拍攝且無(wú)視場(chǎng)死角，具備良好的適應(yīng)性；提出Faster R-CNN深度神經(jīng)網(wǎng)絡(luò)裂紋檢測(cè)算法，實(shí)現(xiàn)了對(duì)裂紋缺陷的高精度智能可視化檢測(cè)，檢測(cè)準(zhǔn)確率達(dá)到95.4%，速度達(dá)到2 f/s，利用裂紋特征參數(shù)識(shí)別算法，實(shí)現(xiàn)了金屬結(jié)構(gòu)表面裂紋的非接觸式精確測(cè)量，現(xiàn)場(chǎng)應(yīng)用測(cè)試表明，上述算法能夠適應(yīng)復(fù)雜背景和復(fù)雜特征下起重機(jī)械金屬結(jié)構(gòu)表面裂紋的自動(dòng)檢測(cè)和識(shí)別要求，提高了無(wú)人機(jī)視覺的缺陷識(shí)別能力。