CN114663763A - 一种基于数字孪生的飞机蒙皮装配质量检测方法 - Google Patents
一种基于数字孪生的飞机蒙皮装配质量检测方法 Download PDFInfo
- Publication number
- CN114663763A CN114663763A CN202210331844.9A CN202210331844A CN114663763A CN 114663763 A CN114663763 A CN 114663763A CN 202210331844 A CN202210331844 A CN 202210331844A CN 114663763 A CN114663763 A CN 114663763A
- Authority
- CN
- China
- Prior art keywords
- detection
- riveting
- image
- quality
- assembly quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 230000007547 defect Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000956 alloy Substances 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000037380 skin damage Effects 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于数字孪生的飞机蒙皮装配质量检测方法,该方法包括信息采集阶段、图像检测阶段、信息追溯阶段、参数修正阶段,具体步骤为:相机位置及参数调整,保证采集的被检测部位图像清晰、位置准确;使用工业相机对被检测部位进行图像采集;使用残差网络ResNet‑50对图像进行识别、分类;将识别结果录入RFID芯片中,使每个检测部位的铆接参数与检测结果对应;分析铆接参数与检测结果的关系,并对质量不合格部位进行信息追溯;根据信息追溯结果重新确定铆接参数,构建虚拟车间并用新参数进行虚拟仿真确定其可行性;针对仿真结果指导现实车间的参数修正,并用于后续蒙皮装配。该方法提高了蒙皮装配质量检测效率,提升了蒙皮装配质量。
Description
技术领域
本发明涉及装配质量检测领域,更具体的说是涉及一种基于数字孪生的飞机蒙皮装配质量检测方法。
背景技术
飞机机翼是飞机的重要组成部分,蒙皮形成机翼表面,其功用为维持机翼外形和直接承受气动载荷。飞机装配过程中蒙皮装配是重要步骤,蒙皮的装配质量在很大程度上决定机翼的最终质量。目前国内飞机装配过程中蒙皮与其他结构件通常使用铆接,主要依靠工人手动装配。蒙皮装配质量检测中表面质量检测主要依靠工人经验使用肉眼检测,检测效率低,微小裂纹和凹陷难以检出,严重影响检测结果,质量信息难以追溯,容易造成误差累积,无法满足高效率、高质量的飞机装配要求。因此,提出一种高效的飞机蒙皮装配质量检测方法至关重要。
现阶段的专利公开以及文献资料显示:1)专利(CN110155369A)一种飞机蒙皮表面裂纹检查方法,通过对目标点附近的小区域图像进行相似度计算和全局图像拼接获得整体图像,并在其中提取裂纹进行检测。该方法使用拼接图象进行质量检测,计算相似度时的误差会影响裂纹识别的准确性,从而对检测结果造成影响;2)专利(CN111340754A)一种基于飞机蒙皮表面缺陷检测和分类的方法,使用不同位置的相机拍摄图像,将所拍图像进行信息融合和特征提取,应用卷积神经网络发掘缺陷,使用支持向量机进行分类,实现缺陷类型的识别与分类。该方法使用传统卷积神经网络进行模型训练,不仅需要大量样本,而且训练效率低,深层特征难以提取到,影响最终检测结果的准确性;3)专利(CN102928435A)基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置,通过提取已知损伤类别的飞机蒙皮图像及超声波回波信号的纹理特征及超声波回波特征,将提取到的特征应用于分类器的训练,使用训练后的分类器对输入的图像和信号进行分类判断,从而识别蒙皮损伤。该装置同时使用图像和超声波回波信号对蒙皮质量进行识别,在质量判断和分类后,无法从中找出影响蒙皮质量的参数并指导后续装配工作,不能提升蒙皮的装配质量。
综上,现有的研究成果和方法虽然在一定程度上可以实现飞机蒙皮的装配质量检测,但由于存在较多缺陷难以保证检测准确率,因此,以上检测方法难以满足高效率高质量的飞机装配要求。
数字孪生技术与机器视觉、深度学习算法的结合为进一步提高飞机蒙皮装配质量检测效率和准确率提供了一种可能,是实现飞机高效装配的有效手段。基于数字孪生的飞机蒙皮装配质量检测方法可以对蒙皮表面图像进行识别与分析,并应用深度学习算法实现对蒙皮装配表面质量的检测,实时给出质量检测结果,针对不合格的铆接部位分析铆接参数与检测结果的关系,针对缺陷种类、产生原因给出铆接参数修正方案,构建虚拟车间对新参数进行仿真,将判断合格的参数应用到现实车间的装配返修,为飞机蒙皮装配质量检测提供了一种行之有效的技术途经。
发明内容
本发明的目的就在于为了解决上述问题而提供的一种基于数字孪生的飞机蒙皮装配质量检测方法,在检测车间对工业相机参数及照明强度进行调整,并采集待检测部位图像,使用残差网络ResNet-50对图像进行识别、分类,将识别结果录入对应的RFID芯片中,使每个检测部位的铆接参数与检测结果对应,分析铆接参数与检测结果的关系,并对质量不合格部位进行信息追溯,根据信息追溯结果重新确定铆接参数,构建虚拟车间并使用新参数进行虚拟仿真确定其可行性,针对仿真结果指导现实车间的参数修正,并应用于后续蒙皮装配,该方法提高了蒙皮装配质量检测效率,提升了蒙皮装配质量。
本发明通过以下技术方案来实现上述目的:
一种基于数字孪生的飞机蒙皮装配质量检测方法,其技术构架分为四个部分,即信息采集阶段、图像检测阶段、信息追溯阶段、参数修正阶段,包括以下步骤:
(1)在检测车间工人对照明强度、相机位置、相机焦距进行调整;
(2)采集被检测部位图像,使用高精度工业相机采集蒙皮表面图像,重点采集装配过程中的铆接部位;
(3)对采集到的图像进行图像分割,分割后的图像作为检测算法的输入;
(4)使用残差网络ResNet-50对图像进行识别、分类,得到检测结果;
(5)将检测结果录入对应的RFID芯片中,使每个检测部位的铆接参数与检测结果对应;
(6)分析铆接参数与检测结果的关系,并对质量不合格部位进行信息追溯;
(7)根据信息追溯结果重新确定铆接参数,构建虚拟车间并使用新参数进行虚拟仿真确定其可行性,用于现实车间表面缺陷返修和指导后续装配工作。
作为本发明的进一步改进,步骤(1)中调整车间照明强度、相机焦距,使相机光心对准铆钉中心点,保证采集到清晰、高质量的表面图像,确保图像信息的准确性和有效性。
作为本发明的进一步改进,步骤(2)中使用高精度工业相机保证采集到完整的表面信息,由于蒙皮装配主要采用铆接且质量缺陷一般出现在铆接周围,因此重点采集铆接部位图像,采集的特征主要包括铆接点位处的裂纹、划痕、凹陷、毛刺。
作为本发明的进一步改进,步骤(3)图像分割使用线剪裁算法将采集到的表面图像按照铆接部位准确分割,使分割后的图像大小一致,将其应用于后续残差网络的输入。
作为本发明的进一步改进,步骤(4)利用残差网络ResNet-50对经过分割后的图像进行识别分类,分类包括合格、存在划痕、存在裂纹、存在轻微凹陷、存在严重凹陷、存在毛刺。
作为本发明的进一步改进,步骤(5)将分类结果使用工业发卡器输入到对应的RFID芯片中,使蒙皮装配参数及检测结果等信息受到全程监控,应用这些信息可及时、有效的发现生产过程中的漏洞,上述信息将通过RFID一体机及手持机上传到车间管理系统中,工程师可随时获取相关信息并指导装配过程。
作为本发明的进一步改进,步骤(6)分析装配过程中的铆接参数与检测质量的关系,重点分析铆接拉力、气泵气压及铆接行程对蒙皮装配质量的影响,针对具体表面缺陷具体分析,追溯装配过程中影响装配质量的参数。
作为本发明的进一步改进,步骤(7)根据追溯到的铆接参数信息及铆接参数与检测结果的关系,确定新的铆接参数和铆接方案,构建虚拟车间并将新的铆接参数输入到装配虚拟仿真中,具体观察蒙皮的应力、应变等相关指标是否合格,将合格的新参数应用于现实车间表面缺陷的返修并指导后续装配工作。
与现有技术相比,本发明的有益效果如下:
本发明利用飞机蒙皮的表面图像对飞机蒙皮装配质量进行检测,通过对采集到的待检测部位图像进行分割,得到深度学习算法的输入图像,使用残差网络ResNet-50,进行蒙皮装配质量识别、分类,再使用RFID技术将检测结果与铆接过程参数对应上传至车间管理系统,方便工程师对生产过程进行实时全流程监控,再分析检测结果与装配过程中铆接参数之间的关系,提出对铆接参数及装配方案的修改意见,根据修改意见确定的新参数,构建虚拟车间并应用虚拟仿真技术进行判断,将符合条件的新参数用于现实车间的表面缺陷返修并指导后续飞机蒙皮装配过程,有效解决了细微缺陷漏检、检测效率低等问题,提高了飞机蒙皮装配质量的检测质量、检测效率,实现对飞机蒙皮装配质量的检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明所述一种基于数字孪生的飞机蒙皮装配质量检测方法的执行流程图;
图2是本发明所述一种基于数字孪生的飞机蒙皮装配质量检测方法的图像分割示例图;
图3是本发明所述一种基于数字孪生的飞机蒙皮装配质量检测方法的图像分类结构图;
图4是本发明所述一种基于数字孪生的飞机蒙皮装配质量检测方法的虚拟仿真示例图;
图5是本发明所述一种基于数字孪生的飞机蒙皮装配质量检测方法的蒙皮连接示意图。
附图标记说明如下:
1、蒙皮;2、铆钉;3、翼肋。
具体实施方式
下面结合附图对本发明做进一步的详细说明。此处所说明的附图是本申请的一部分,用来对本发明作进一步解释,但并不构成对本发明的限定。
如图1~图5所示,一种基于数字孪生的飞机蒙皮装配质量检测方法,主要包含四个阶段,即信息采集阶段、图像检测阶段、信息追溯阶段、参数修正阶段,包括以下步骤:
(1)在检测车间工人对检测区域的照明强度进行调节,针对检测区域位置调整相机位置,使相机光心对准铆钉中心点,确保采集到的图像包含完整的表面特征。对工业相机焦距进行调整,确保采集的图像清晰,其中工业相机的型号选择3DFAMILY-L型工业相机。
(2)使用调整好的工业相机采集蒙皮表面图像,图像包含该部位的像素特征,由于划痕、裂纹、毛刺、凹陷等缺陷,通常出现在蒙皮与连接件的连接部位,而连接通常使用铆接,因此需要重点采集铆接部位的图像。
(3)处理采集到的图像,图像处理示例如图2,由于采集到的图像包含多个铆接部位,图片中包含大量像素信息,直接应用深度学习算法会严重影响算法效率和准确率,因此对其应用线剪裁算法进行图像分割,保证每个输入算法的图片尺寸相同。
(4)使用残差网络ResNet-50对图像进行识别、分类,将检测结果分为六类如图3,分别为合格、存在划痕、存在裂纹、存在轻微凹陷、存在严重凹陷、存在毛刺。
(5)将检测结果通过工业发卡器录入对应的RFID芯片中,使每个检测部位的铆接参数与检测结果对应,通过上述手段使蒙皮装配参数及检测结果等信息受到全程监控,应用这些信息可及时、有效的发现生产过程中的漏洞,上述信息将通过RFID一体机及手持机上传到车间信息管理系统中,工程师可随时获取相关信息并指导装配过程。
(6)根据RFID芯片中的信息分析铆接参数与检测结果的关系,重点分析铆接拉力、气泵气压及铆接行程对蒙皮装配质量的影响,针对具体表面缺陷具体分析,追溯装配过程中影响蒙皮装配质量的参数,并给出指导意见和整改方案。
(7)根据追溯到的铆接参数信息及铆接参数与检测结果的关系,确定新的铆接参数,构建虚拟车间并将新的铆接参数输入到装配虚拟仿真中,铆接参数虚拟仿真示例如图4,具体观察蒙皮的应力、应变等相关指标是否合格,将合格的新参数应用于现实车间表面缺陷的返修并指导后续装配工作。
如图5所示,以某飞机制造厂某型号飞机机翼翼盒装配中蒙皮与翼肋连接为例对本发明工作原理和特性做进一步说明。蒙皮形成机翼表面,维持机翼外形和直接承受气动载荷,其与翼肋的连接质量将对飞机的动力性能及寿命产生很大的影响。本例中蒙皮的材质为7075合金、翼肋的材质为2024铝合金、铝制铆钉的型号为HB8004-5-1。对蒙皮表面按照上述步骤进行检测,将采集到的蒙皮表面图像进行图像分割并输入残差网络ResNet-50进行检测,将检测结果分为六类,并输入对应的RFID芯片,工程师使用车间信息管理系统查阅相关信息并给出缺陷的具体整改方案,根据方案确定新的铆接参数并输入虚拟仿真软件进行判断,将判断合格的参数用于返修和指导后续装配。
综上,在实际检测中,相机位置及参数调整,保证采集的被检测部位图像清晰、位置准确;使用工业相机对被检测部位进行图像采集;使用残差网络ResNet-50对图像进行识别、分类;将识别结果录入对应的RFID芯片中,使每个检测部位的铆接参数与检测结果对应;分析铆接参数与检测结果的关系,并对质量不合格部位进行信息追溯;根据信息追溯结果重新确定铆接参数,构建虚拟车间并使用新参数进行虚拟仿真确定其可行性;针对仿真结果指导现实车间的参数修正,并应用于后续蒙皮装配。该方法将数字孪生技术、机器视觉技术及深度学习算法相结合,提高了蒙皮装配质量检测效率。有效避免了人工检测中检测效率低、检测质量低、微小裂纹和凹陷难以检出等问题,还可根据检测结果确定新参数用于指导返修和后续装配,不断提高蒙皮装配质量。该方法提高了蒙皮的装配质量、检测质量及检测效率,实现对蒙皮装配质量的高效管控。
最后应说明的是:以上实施例仅用于说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细说明,所属领域的普通技术人员依然可以对本发明的具体实施方案进行修改或者等同替换,而这些并未脱离本发明精神和范围的任何修改或者等同替换,其均在申请待批的本发明的权利要求保护范围之内。
Claims (8)
1.一种基于数字孪生的飞机蒙皮装配质量检测方法,其特征在于:基于数字孪生的飞机蒙皮装配质量检测方法共有四个阶段,即信息采集阶段、图像检测阶段、信息追溯阶段、参数修正阶段,包含以下具体步骤:(1)在检测车间工人对照明强度、相机位置、相机焦距进行调整;(2)采集被检测部位图像,使用高精度工业相机采集蒙皮表面图像,重点采集装配过程中的铆接部位;(3)对采集到的图像进行图像分割,分割后的图像作为检测算法的输入;(4)使用残差网络ResNet-50对图像进行识别、分类,得到蒙皮装配质量检测结果;(5)将检测结果录入对应的RFID芯片中,使每个检测部位的铆接参数与检测结果对应;(6)分析铆接参数与检测结果的关系,并对质量不合格部位进行信息追溯;(7)根据信息追溯结果重新确定铆接参数,构造虚拟车间并使用新参数进行虚拟仿真判断其可行性,将判断为可行的新参数用于现实车间缺陷返修和指导后续装配工作。
2.根据权利要求1所述的一种基于数字孪生的飞机蒙皮装配质量检测方法,其特征在于:步骤(1)中调整照明强度、相机位置、相机焦距,根据检测车间光照情况选择灯光照明强度,根据被检测部位位置改变相机位置,使相机光心对准铆钉中心点,并调节相机焦距。
3.根据权利要求1所述的一种基于数字孪生的飞机蒙皮装配质量检测方法,其特征在于:步骤(2)中使用高精度工业相机进行图像采集,主要采集蒙皮与连接件铆接区域图像用于质量检测,采集的特征主要包括铆接点位处的裂纹、划痕、凹陷、毛刺。
4.根据权利要求1所述的一种基于数字孪生的飞机蒙皮装配质量检测方法,其特征在于:步骤(3)采集到的图像包含多个待检测区域,使用线剪裁算法对整个图像进行图像分割。
5.根据权利要求1所述的一种基于数字孪生的飞机蒙皮装配质量检测方法,其特征在于:步骤(4)使用残差网络ResNet-50对图像进行识别、分类,在分类前需对网络进行训练,将训练样本分为合格、存在划痕、存在裂纹、存在轻微凹陷、存在严重凹陷、存在毛刺共六部分。
6.根据权利要求1所述的一种基于数字孪生的飞机蒙皮装配质量检测方法,其特征在于:步骤(5)将检测结果通过工业发卡器录入对应的RFID芯片中,使铆接过程中拉力、行程、气压信息与质量检测结果相对应。
7.根据权利要求1所述的一种基于数字孪生的飞机蒙皮装配质量检测方法,其特征在于:步骤(6)分析铆接参数与检测结果的关系,找出导致质量不合格的铆接参数,根据不合格原因对拉力、行程、气压作适当修改。
8.根据权利要求1所述的一种基于数字孪生的飞机蒙皮装配质量检测方法,其特征在于:步骤(7)使用新确定的铆接参数在虚拟车间进行虚拟仿真,分析蒙皮在该状态下是否产生较大形变,将仿真合格的参数用于不合格部位的返修和指导后续现实车间的蒙皮装配工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210331844.9A CN114663763A (zh) | 2022-03-30 | 2022-03-30 | 一种基于数字孪生的飞机蒙皮装配质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210331844.9A CN114663763A (zh) | 2022-03-30 | 2022-03-30 | 一种基于数字孪生的飞机蒙皮装配质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663763A true CN114663763A (zh) | 2022-06-24 |
Family
ID=82033568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210331844.9A Pending CN114663763A (zh) | 2022-03-30 | 2022-03-30 | 一种基于数字孪生的飞机蒙皮装配质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663763A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114777651A (zh) * | 2022-05-05 | 2022-07-22 | 东北大学 | 一种基于数字孪生的飞机表面装配质量检测方法 |
-
2022
- 2022-03-30 CN CN202210331844.9A patent/CN114663763A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114777651A (zh) * | 2022-05-05 | 2022-07-22 | 东北大学 | 一种基于数字孪生的飞机表面装配质量检测方法 |
CN114777651B (zh) * | 2022-05-05 | 2024-01-26 | 东北大学 | 一种基于数字孪生的飞机表面装配质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN106952250B (zh) | 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置 | |
CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
CN111982916A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法及系统 | |
US11836967B2 (en) | Method and device for small sample defect classification and computing equipment | |
CN109840900B (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
WO2023168972A1 (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN113762240B (zh) | 一种基于深度学习的熔覆层几何特征预测方法及系统 | |
CN111852792B (zh) | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 | |
CN112233059B (zh) | 基于分割+决策的二阶段残差注意力网络的导光板缺陷检测方法 | |
CN112614105B (zh) | 一种基于深度网络的3d点云焊点缺陷检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
CN115096891B (zh) | 一种航空发动机叶片智能检查方法 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN114663763A (zh) | 一种基于数字孪生的飞机蒙皮装配质量检测方法 | |
CN112419237A (zh) | 一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
CN114511604A (zh) | 一种医疗器械金属零部件的增减复合智能修复方法 | |
CN113222901A (zh) | 一种基于单阶段钢球表面缺陷检测的方法 | |
CN113727022A (zh) | 巡检图像的采集方法及装置、电子设备、存储介质 | |
CN116258682A (zh) | 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法 | |
CN216525503U (zh) | 一种基于机器视觉的碳纤维预浸料表面缺陷在线检测装置 | |
CN111223081A (zh) | 基于深度学习的零件开孔识别与检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |