基于雙路 FNN 網(wǎng)絡(luò)的固體火箭發(fā)動(dòng)機(jī)殼體內(nèi)縫檢測(cè)方法研究

　　摘 要 ：火箭發(fā)動(dòng)機(jī)殼體內(nèi)部螺紋連接處縫隙的檢測(cè)精度是衡量其質(zhì)量的重要指標(biāo)，由于發(fā)動(dòng)機(jī)殼體內(nèi)表面形貌復(fù)雜，因此內(nèi)縫質(zhì)量?jī)H靠人工檢測(cè)不僅效率低而且可靠性差。提出一種基于 FNN 網(wǎng)絡(luò)的內(nèi)縫視覺(jué)檢測(cè)方法，以灰度共生矩陣和 PCA 算法構(gòu)造圖像的特征參數(shù)，訓(xùn)練 FNN 網(wǎng)絡(luò)，將火箭發(fā)動(dòng)機(jī)殼體內(nèi)縫的粗加工面與精加工面進(jìn)行分類(lèi)，分類(lèi)識(shí)別率 98.8%;然后，對(duì)兩類(lèi)情況做不同的圖像處理，用 Sobel 算子找到縫隙邊緣;最后，通過(guò)標(biāo)定進(jìn)行包括采集原始圖像誤差、直線擬合誤差的系統(tǒng)誤差修正，完成內(nèi)縫寬度精確測(cè)量。實(shí)驗(yàn)表明，該方法穩(wěn)定可靠，能夠?qū)崿F(xiàn) 0.1mm~0.6mm 范圍 內(nèi) ±0.02mm 的識(shí)別精度。該方法實(shí)現(xiàn)了火箭發(fā)動(dòng)機(jī)殼體內(nèi)部螺紋連接處的高精度測(cè)量，為實(shí)現(xiàn)產(chǎn)品高效自動(dòng)生產(chǎn)和質(zhì)量檢測(cè)提供了技術(shù)保障。

　　關(guān)鍵詞：發(fā)動(dòng)機(jī)內(nèi)縫測(cè)量;灰度共生矩陣;PCA;神經(jīng)網(wǎng)絡(luò)

　　姜春英; 丁美杰; 孟向臻; 葉長(zhǎng)龍; 王鵬; 閆子龍， 電子測(cè)量技術(shù) 發(fā)表時(shí)間：2021-10-29

　　0 引 言

　　固體火箭發(fā)動(dòng)機(jī)主要采用螺紋連接，螺紋連接的扣數(shù)對(duì)發(fā)動(dòng)機(jī)的穩(wěn)定性十分重要。固體火箭發(fā)動(dòng)機(jī)殼體內(nèi)表面的縫寬大小是檢測(cè)螺紋連接質(zhì)量的重要指標(biāo)之一。傳統(tǒng)的縫寬檢測(cè)方法是通過(guò)人工手動(dòng)測(cè)量。由于人工對(duì)帶藥的固體火箭發(fā)動(dòng)機(jī)進(jìn)行檢測(cè)，具有一定的危險(xiǎn)性;且由于待測(cè)縫寬細(xì)小，使得操作者不易測(cè)量，導(dǎo)致測(cè)量結(jié)果一致性差，效率低。為了提高縫隙測(cè)量的精度與效率，保障操作人員的生命安全，非常有必要利用機(jī)器視覺(jué)的智能檢測(cè)方法取代傳統(tǒng)的人工操作環(huán)節(jié)，從而實(shí)現(xiàn)自動(dòng)化、智能化的生產(chǎn)流程。

　　微小縫隙測(cè)量是個(gè)難題，而固體火箭發(fā)動(dòng)機(jī)殼體由于其加工工藝不同，導(dǎo)致內(nèi)表面環(huán)境復(fù)雜，從而使其縫隙測(cè)量難上加難。傳統(tǒng)縫隙測(cè)量使用精密測(cè)量工具進(jìn)行人工抽樣檢查，存在著測(cè)量速度慢、人為因素影響大等缺點(diǎn)，無(wú)法滿足大規(guī)模自動(dòng)化生產(chǎn)制造的需求。將機(jī)器視覺(jué)技術(shù)引入工件尺寸幾何測(cè)量中，可實(shí)現(xiàn)非接觸性高精度測(cè)量，既能避免測(cè)量過(guò)程中的人為誤差，又可實(shí)現(xiàn)快速和連續(xù)測(cè)量，能有效保證生產(chǎn)制造過(guò)程的自動(dòng)化。基于機(jī)器視覺(jué)的精密測(cè)量技術(shù)在工業(yè)生產(chǎn)現(xiàn)場(chǎng)的應(yīng)用越來(lái)越普遍，已成為國(guó)內(nèi)外研究熱點(diǎn)。針對(duì)固體火箭發(fā)動(dòng)機(jī)殼體內(nèi)縫測(cè)量這一具體工程問(wèn)題，待測(cè)圖像的特征提取和邊緣提取與定位是其檢測(cè)方法的關(guān)鍵技術(shù)。在圖像邊緣提取技術(shù)領(lǐng)域，段振云等提出基于高斯積分曲線擬合的亞像素邊緣提取算法 [1] ,定位精度高，但僅適用于單邊階躍狀邊緣;徐平等提出基于邊緣像元投影的高精度亞像素檢測(cè)方法[1]，然而此方法對(duì)噪聲不敏感;在圖像特征提取技術(shù)領(lǐng)域，由 Beltrami 和 Jordan 提出的主成分分析法(PCA)[2]，它可以用于圖像矩陣降維，以降維后的矩陣為基礎(chǔ)提取圖像特征，但降維后的數(shù)據(jù)可解釋性差;Haralick 等人提出的灰度共生矩陣 (GLCM)可以有效的提取出圖像的紋理特征[3]，并良好的反映了圖像空間中相隔某距離的兩像素之間會(huì)存在一定的灰度關(guān)系。

　　為了滿足固體火箭殼體內(nèi)縫檢測(cè)的精度要求，本文提出一種基于雙路 FNN 網(wǎng)絡(luò)火箭發(fā)動(dòng)機(jī)殼體內(nèi)縫方法。該方法通過(guò)預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)將待測(cè)圖像分為兩類(lèi)，并通過(guò)對(duì)兩類(lèi)圖像預(yù)處理提升圖像的質(zhì)量，再通過(guò) Sobel 算子提取并定位縫隙邊緣，最后通過(guò)標(biāo)定對(duì)系統(tǒng)誤差進(jìn)行修正。實(shí)驗(yàn)表明該方法測(cè)量的縫隙誤差在 0.02mm 以內(nèi)，滿足精度要求。

　　1 雙路 FNN 神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

　　固體火箭發(fā)動(dòng)機(jī)殼體內(nèi)表面一側(cè)由于加工工藝的不同，形成了粗加工面和精加工面兩種不同情況。粗加工面和精加工面的形貌如圖 1 所示：

　　圖 1(a)中縫隙左側(cè)的粗糙面約占固體火箭發(fā)動(dòng)機(jī)內(nèi)縫表面形貌情況的 2/3。圖 1(b)中縫隙左側(cè)形貌顯得光滑，這是由固體火箭發(fā)動(dòng)機(jī)內(nèi)表面一側(cè)部分殼體經(jīng)過(guò)精加工導(dǎo)致。粗加工面含有刀花和黑斑，精加工面僅含有刀花，刀花和黑斑的存在都不便于尋找縫隙邊緣，需要將其濾去，然而濾去黑斑和刀花時(shí)亦會(huì)造成邊緣的損失。由于粗加工面與精加工面邊緣損失不同，為了提高檢測(cè)精度，設(shè)計(jì)相應(yīng)的神經(jīng)網(wǎng)絡(luò)區(qū)分這兩類(lèi)情況，并對(duì)兩類(lèi)情況分別標(biāo)定。

　　1.1 提取縫隙圖像特征參數(shù)

　　1) 主成分分析(PCA)

　　PCA 的基本思想是通過(guò)尋找樣本空間的一組正交向量，實(shí)現(xiàn)用少數(shù)主成分來(lái)描述原來(lái)的高維數(shù)據(jù)，進(jìn)而最大限度地保留原始數(shù)據(jù)的信息。本文的圖像共含 300×64 個(gè)像素。顯然用這海量的數(shù)據(jù)去進(jìn)行圖像分類(lèi)是耗費(fèi)資源的。遂通過(guò) PCA 對(duì)圖像樣本集 X 進(jìn)行數(shù)據(jù)特征空間的重構(gòu)如式(1)，取出最能反映圖像特征的 4 組基底。 1 2 * ( , ...... )T X x x x ? N N P (1) 其中 N 為樣本數(shù)，P 為維度。任意樣本 xi可看作式(2): 1 ? p T i i i i i x x ? ? ??? (2) 式中 ?i表示線性無(wú)關(guān)的單位基，通過(guò)降維可將 xi寫(xiě)作式(3): 1 1 ? q p T T i i i i i i i i i q x x x ? ? ? ? ? ? ?? ? ? ? (3) 式中 q 表示降維后的特征維度，q+1 到 p 為遺失的維度。定義損失函數(shù) J: 2 1 1 1 (( ) ) N q T i j i j J x x N ? ? ?? ? ? ? (4) 式中 x 為樣本的均值。通過(guò) PCA 降維后得到的 4 組基底重新構(gòu)造樣本圖，任取 16 組重構(gòu)圖與原圖進(jìn)行對(duì)比，圖像的信息損失如圖 2 所示。

　　圖 2(a)表示任取 16 張精加工與粗加工面原始圖像的縫隙形貌，圖 2(b)為通過(guò) PCA 降維后與之相對(duì)應(yīng)的 16 組精加工與粗加工面原始圖像的縫隙形貌。與原圖相比，重構(gòu)圖損失了部分像素，降低了圖像清晰度，但與此同時(shí)也保留刀花和黑斑等主要特征。通過(guò) PCA 降維處理，降低了圖像因?yàn)榫€性相關(guān)，參數(shù)耦合所造成的影響，除去了部分冗余信息，但仍保留了圖像的主要特征。

　　2) 灰度共生矩陣紋理特征的提取

　　灰度共生矩陣是一種通過(guò)研究灰度的空間相關(guān)特性的紋理表征方法，反映的是圖像灰度分布關(guān)于方向、局部領(lǐng)域和變化幅度的綜合信息。灰度共生的矩陣的構(gòu)造因子包括步長(zhǎng) d、方向參數(shù)θ、灰度級(jí) Ng 和窗口大小 S。固體火箭內(nèi)表面紋理明顯，沒(méi)有方向性和周期性。為了提高運(yùn)算效率，取θ為 0°。窗口大小取 8×8，灰度級(jí)取 16,長(zhǎng)取 4。

　　灰度共生矩陣具有 14 個(gè)統(tǒng)計(jì)特征參數(shù)，窗口的特征向量維度較高，存在信息冗余的現(xiàn)象[4]，根據(jù)經(jīng)驗(yàn)值選取對(duì)比度、角二階矩、熵和逆差矩作為表征內(nèi)縫表面紋理特征參數(shù)。分析兩種情況下對(duì)比度、角二階矩、熵和逆差矩的概率分布，結(jié)果如圖 3 所示。

　　圖 3 中依次繪制了角二階矩、對(duì)比度、熵、逆差矩在粗加工面和精加工面兩種條件下高斯核密度估計(jì)圖。觀察粗加工面與精加工面兩種情況下 4 個(gè)特征參數(shù)的概率分布可知角二階矩、對(duì)比度、熵、逆差矩在粗加工面和精加工面兩種條件下相關(guān)性較低。適宜做神經(jīng)網(wǎng)絡(luò)的輸入。

　　1.2 網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)

　　前饋神經(jīng)網(wǎng)絡(luò)(FNN)的數(shù)學(xué)涵義是逼近一個(gè)復(fù)合函數(shù)，如式(5)所示： y f x ? ( , ) ? (5) 式中 y 為神經(jīng)網(wǎng)絡(luò)的輸出，x 為輸入，θ為參數(shù)。通過(guò)學(xué)習(xí)參數(shù)θ的值，使函數(shù)值逼近 y。常規(guī)前饋神經(jīng)網(wǎng)絡(luò)通過(guò)將輸入經(jīng)過(guò)一系列復(fù)合起來(lái)的函數(shù)訓(xùn)練得到輸出。其過(guò)程可用式(6)所示： f x f N f N f x ( ) ( ) ( 1)...( (1)( ))) ? ? (6) 隨機(jī)對(duì)固體火箭發(fā)動(dòng)機(jī)殼體內(nèi)縫表面共拍攝 300 張圖像作為分類(lèi)實(shí)驗(yàn)樣本圖像。采用式(7)所示的平均分類(lèi)精度 R 作為評(píng)判標(biāo)準(zhǔn)。

　　R N ? (7) 式中:Nright表示分類(lèi)正確的樣本數(shù)量，Nall表示所有樣本數(shù)量。

　　分別以 PCA 降維得到的 4 組基底，構(gòu)建灰度共生矩陣得到的 4 個(gè)特征參數(shù)以及 4 組基底加 4 個(gè)特征參數(shù)作為傳統(tǒng) FNN 網(wǎng)絡(luò)輸入，進(jìn)行網(wǎng)絡(luò)訓(xùn)練。表 1 所示為 3 種算法分類(lèi)精度的實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果，可以得出 PCA 基底+灰度共生矩陣特征參數(shù)作為網(wǎng)絡(luò)輸入，相較于其他兩種算法有較大的提升。

　　根據(jù)實(shí)驗(yàn)結(jié)果可知灰度共生矩陣所構(gòu)建的特征參數(shù)對(duì)分類(lèi)結(jié)果具有更高的靈敏性。設(shè)計(jì)雙路 FNN 神經(jīng)網(wǎng)絡(luò)，數(shù)學(xué)模型如式(8)所示：

　　式中 f(x)表示灰度共生矩陣所構(gòu)建的特征參數(shù)作為輸入的多層感知機(jī)，g(x)表示 PCA 降維后的 4 組基底作為輸入的多層感知機(jī),t(x ^ )表示將 f(x)和 g(x) 合并隨機(jī)打亂順序。F(t(x ^ ))表示將雙輸入合并后的多層感知機(jī)。本文設(shè)計(jì)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖 4 所示：

　　圖 4 中的網(wǎng)絡(luò)結(jié)構(gòu)共有 5 個(gè)部分，Input 層表示網(wǎng)絡(luò)的輸入，包括由 PCA 和灰度共生矩陣算法得到的特征集合 1 和特征集合 2，Processing 層將對(duì)特征集合的預(yù)處理，通過(guò)多層感知機(jī)算法對(duì)特征進(jìn)行自學(xué)習(xí)，Concatenate 層將特征集合 1 和特征集合 2 通過(guò) Processing 層自學(xué)習(xí)得到的特征連接，再將連接的特征通過(guò) DNN 深度神經(jīng)網(wǎng)絡(luò)，最終輸出分類(lèi)結(jié)果的概率。

　　為了加速網(wǎng)絡(luò)收斂速度，對(duì)輸入的特征進(jìn)行 Normalization 處理，將其映射到[0,1]。對(duì)于隱藏層的激活函數(shù)選擇雙曲正切函數(shù) tanh，輸出層的激活函數(shù)選擇 softmax，損失函數(shù)選擇均方差 mean_squared_error，優(yōu)化器選擇隨機(jī)梯度優(yōu)化算法 SGD[5]。

　　使用 Tenserflow 中的 Keras 接口，通過(guò)面陣相機(jī)取出精加工面與粗加工面的火箭發(fā)動(dòng)機(jī)表面圖像各 500 組，將樣本以 6：3：1 的方式劃分為訓(xùn)練集、驗(yàn)證集與測(cè)試集。通過(guò) SVM 分類(lèi)器[6-7]，KNN 分類(lèi)器[8-9]，貝葉斯分類(lèi)器[10]，隨機(jī)森林分類(lèi)器[11]，以及傳統(tǒng) FNN 網(wǎng)絡(luò)分類(lèi)器[12]訓(xùn)練模型，其模型在測(cè)試集的精確度如表 2 所示。

　　如表 2 所示，本文設(shè)計(jì)的雙路 FNN 網(wǎng)絡(luò)的精度最高，達(dá)到了 98.8%。通過(guò)雙路 FNN 網(wǎng)絡(luò)將待測(cè)圖片分為了粗加工面與精加工面兩類(lèi)，為待測(cè)圖片的縫隙邊緣提取，提供了便利。

　　2 圖像邊緣提取

　　2.1 精加工面預(yù)處理

　　固體火箭發(fā)動(dòng)機(jī)殼體內(nèi)表面精加工圖像灰度值三維圖如圖 6(a)所示，從圖像中可以看出，精加工面在縫隙的左側(cè)較為平滑，灰度值趨于平穩(wěn)，而縫隙的右測(cè)，部分 Y 方向的像素值變化明顯。這是因縫隙兩側(cè)的殼體材料不同所導(dǎo)致。在縫隙的右側(cè)，由于機(jī)械加工會(huì)產(chǎn)生部分刀花。為保證精度要求，通過(guò)連通域分析，設(shè)定面積閾值 K，濾去刀花。

　　首先通過(guò) Otsu[13]閾值分割方法對(duì)圖像進(jìn)行分割，將圖像二值化，再將圖像進(jìn)行連通域分析，并標(biāo)記如圖 5。

　　圖 5 中每一個(gè)顏色表示為一個(gè)連通域，計(jì)算每一個(gè)連通域的面積，設(shè)定閾值 K，將面積值小于 K 的連通域的像素點(diǎn)置為 255。其算法如算法 1 所示:

　　算法 1 中 M 為連通域集合，K 為選定的面積閾值， f(x,y)為連通域里面的像素值。使用該方法濾去刀花后，固體火箭發(fā)動(dòng)機(jī)殼體內(nèi)表面精加工圖像灰度值三維圖如圖 6(b)所示。

　　如圖 6(b)所示，通過(guò)連通域標(biāo)記并濾去刀花后，縫隙的左右兩側(cè)像素值都顯得平滑，使縫隙更加明顯。

　　2.2 粗加工面預(yù)處理

　　固體火箭發(fā)動(dòng)機(jī)殼體內(nèi)表面粗加工圖像灰度值三維圖如圖 7(a)所示，圖中粗加工面在縫隙的右側(cè)和精加工面的表面結(jié)構(gòu)是一致的，而在縫隙的左側(cè)圖像的像素值是雜亂無(wú)章的。這是由于相機(jī)采圖采集到粗加工面導(dǎo)致。由于左側(cè)聯(lián)通域的面積不確定性較高，無(wú)法通過(guò)設(shè)定面積閾值將其濾去。觀察左側(cè)，不難看出左側(cè)圖像的灰度值分布較為混亂，所以通過(guò)計(jì)算圖像 X 方向的信息熵將其濾去。

　　圖像信息熵表征了圖像中平均信息量的多少，在圖像中表示灰度值的混亂度。圖像的一維熵表示圖像中灰度分布的聚集特征所包含的信息量。計(jì)算圖像的每一列的信息熵，通過(guò)設(shè)定閾值 K，通過(guò)與閾值 K 比較判定該列屬于粗糙面。若判定為真，將該列像素全部置為 255。圖像的一維信息熵計(jì)算公式如式(9)所示： 255 0 log i i i H p p ??? (9) 式中 pi表示灰度值為 i 的值占該列像素灰度值的比例。H 表示一維信息熵。通過(guò)信息熵判定后，得到粗加工圖像灰度值三維圖如圖 7(b)所示：

　　通過(guò)信息熵判定濾去黑斑，粗加工表面形貌接近精加工表面，在對(duì)粗加工表面進(jìn)行連通域?yàn)V去刀花，使縫隙的邊緣清晰可見(jiàn)，便于提取。

　　2.3 圖像縫隙提取

　　待測(cè)圖像分類(lèi)并預(yù)處理之后，通過(guò) Otsu 算法將圖像二值化。將圖像以 y 方向劃分為 64 個(gè)線像素。經(jīng)二值化處理后,縫隙的部分在圖像中的值為 0。縫隙計(jì)算方法的偽代碼如算法 2 所示。首先統(tǒng)計(jì)每一行線像素中像素值為 0 的個(gè)數(shù)。通過(guò)設(shè)定閾值 threshold1 和 threshold2 濾除由系統(tǒng)誤差導(dǎo)致的縫隙過(guò)大或過(guò)小的情況。最后返回像素個(gè)數(shù)的均值[14]。

　　3 實(shí)驗(yàn)標(biāo)定

　　3.1 視覺(jué)檢測(cè)系統(tǒng)

　　待測(cè)固體火箭發(fā)動(dòng)機(jī)殼體直徑為 120mm，固體火箭該發(fā)動(dòng)機(jī)殼體勻速旋轉(zhuǎn)，系統(tǒng)將連續(xù)采集多組小樣本圖像，樣本圖像尺寸為 0.76mm×5mm，降低了固體火箭發(fā)動(dòng)機(jī)殼體曲率對(duì)縫寬測(cè)量帶來(lái)的非線性誤差。視覺(jué)測(cè)量系統(tǒng)工作裝置如圖 8 所示。

　　圖中，通過(guò)氣缸的工作將發(fā)動(dòng)機(jī)固定住，并且將內(nèi)窺鏡伸到工作位置，圖像通過(guò)內(nèi)窺鏡傳到相機(jī)，再通過(guò)相機(jī)傳輸?shù)缴衔粰C(jī)處理。

　　硬件部分，相機(jī)采用圖像采集設(shè)備由高分辨率 CCD 黑白相機(jī)型號(hào)為 MER-1070-10GM，光源選擇 8mm 同軸 LED 點(diǎn)光源，型號(hào) HY-D3520,鏡頭選用千萬(wàn)像素級(jí)別 25mm 定焦鏡頭,型號(hào)為 WP-10M2514-C。經(jīng)過(guò)多次試驗(yàn)，測(cè)得最佳相機(jī)參數(shù)為:鏡頭工作距離為 110~130mm;光圈 F 為 6~8;相機(jī)曝光時(shí)間為 7000μs;圖像采集幀率為 14Hz。

　　軟件部分，神經(jīng)網(wǎng)絡(luò)通過(guò) Tensorflow 的 Keras 編程接口，通過(guò)手動(dòng)獲取數(shù)據(jù)集，訓(xùn)練導(dǎo)出模型 model 文件。內(nèi)縫計(jì)算在 VC++環(huán)境下實(shí)現(xiàn)。

　　3.2 縫寬測(cè)量

　　為了驗(yàn)證本方法的有效性，針對(duì)兩種情況，由專(zhuān)業(yè)檢測(cè)人員利用塞尺各得到 15 組不同縫寬值。視覺(jué)系統(tǒng)計(jì)算值與人工測(cè)量數(shù)據(jù)如表 3 所示。

　　以表 3 中數(shù)據(jù)作為基準(zhǔn)，通過(guò) RANSAC[15]算法，將得到的視覺(jué)計(jì)算值與人工測(cè)量值進(jìn)行擬合。擬合結(jié)果如圖 9 所示。

　　由于固體火箭發(fā)動(dòng)機(jī)殼體內(nèi)表面粗加工面發(fā)生了漫反射，導(dǎo)致相同光照條件下，縫隙圖像較精加工面顯得更窄。與此同時(shí)，信息熵判定濾去粗糙面時(shí)亦會(huì)使縫隙變窄。導(dǎo)致粗加工面的圖像擬合直線的權(quán)重略低于精加工面的圖像權(quán)重。最終得到粗加工面與精加工面的視覺(jué)測(cè)量修正式如式(10): =1.875 * +0.08 =1.628 * +0.05 Y X Y X ?????粗 粗精 精 (10) 式中 X，Y 分別為標(biāo)定前和標(biāo)定后的縫寬。在固體火箭發(fā)動(dòng)機(jī)殼體旋轉(zhuǎn)一周的過(guò)程中，工業(yè)相機(jī)勻速采集 60 張縫隙圖像。計(jì)算 60 張圖像縫寬修正值的期望，將期望作為視覺(jué)系統(tǒng)輸出的最終修正值。在[0.1,0.6]之間取出 15 位專(zhuān)業(yè)人士檢測(cè)數(shù)據(jù)，與視覺(jué)系統(tǒng)輸出的最終修正值進(jìn)行誤差分析，分析結(jié)果如表 4 所示。

　　表 4 中的結(jié)果顯示專(zhuān)業(yè)檢測(cè)人員利用塞尺測(cè)量值與視覺(jué)修正值的最大測(cè)量誤差均小于 0.02mm，說(shuō)明本文算法可以滿足縫寬質(zhì)量檢測(cè)的需要。

　　4 結(jié) 論

　　針對(duì)固體火箭發(fā)動(dòng)機(jī)殼體內(nèi)表面縫隙縫寬測(cè)量問(wèn)題，提出了一種基于雙路 FNN 網(wǎng)絡(luò)的火箭發(fā)動(dòng)機(jī)殼體內(nèi)縫檢測(cè)方法。該方法通過(guò) CCD 相機(jī)采集固體火箭發(fā)動(dòng)機(jī)殼體內(nèi)表面縫隙圖像。通過(guò)雙路 FNN 網(wǎng)絡(luò)將其分為精加工面和粗加工面兩種情況。分類(lèi)精度達(dá)到 98.8%。并將精加工面、粗加工面的圖像經(jīng)過(guò)圖像處理除去噪聲。在通過(guò)邊緣提取定位獲得縫寬值，最后通過(guò)標(biāo)定消除系統(tǒng)誤差得到縫隙的實(shí)際寬度。對(duì) 0.1mm~0.6mm 的縫隙進(jìn)行實(shí)驗(yàn)。結(jié)果表明，該方法的誤差在 0.02mm 以內(nèi)，為產(chǎn)品的質(zhì)量和可靠性提供了重要保障。