CN116912220A - 一种飞机机翼的生产质量检测方法及系统 - Google Patents

一种飞机机翼的生产质量检测方法及系统 Download PDF

Info

Publication number
CN116912220A
CN116912220A CN202310905364.3A CN202310905364A CN116912220A CN 116912220 A CN116912220 A CN 116912220A CN 202310905364 A CN202310905364 A CN 202310905364A CN 116912220 A CN116912220 A CN 116912220A
Authority
CN
China
Prior art keywords
wing
point cloud
defect
dimensional
model
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.)
Withdrawn
Application number
CN202310905364.3A
Other languages
English (en)
Inventor
王怡然
任冬冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Shortcut Thinking Shuyin Technology Development Co ltd
Original Assignee
Shenyang Shortcut Thinking Shuyin Technology Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Shortcut Thinking Shuyin Technology Development Co ltd filed Critical Shenyang Shortcut Thinking Shuyin Technology Development Co ltd
Priority to CN202310905364.3A priority Critical patent/CN116912220A/zh
Publication of CN116912220A publication Critical patent/CN116912220A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种飞机机翼的生产质量检测方法及系统，应用于机翼质量检测技术领域，该方法包括：通过连接计算机图像采集系统对目标机翼进行数据采集，获取机翼图像信息。将机翼图像信息输入缺陷比对库中进行缺陷标识，输出缺陷检测结果。连接计算机图像采集系统与模型构建系统，传输目标机翼的数据进行建模，生成机翼模型。对机翼模型进行扫描，获取机翼点云集合。随后，将机翼点云集合输入至多维度质量检测模型中，根据多维度质量检测模型，输出用于标识机翼模型质量等级的多维检测结果。根据多维质量检测结果和缺陷检测结果，生成目标机翼的质量检测报告。解决了现有技术中机翼的生产质量检测方法存在检测效率低，检测精度差的技术问题。

Description

一种飞机机翼的生产质量检测方法及系统
技术领域
本发明涉及机翼质量检测技术领域，具体涉及一种飞机机翼的生产质量检测方法及系统。
背景技术
机翼是飞机的重要部件之一，其主要作用是产生飞机飞行时的升力，机翼的质量检测关系到飞机飞行过程中的安全性。然而，在现有技术中多数的生产线中机翼的质量检测通过人工采用专业的仪器进行缺陷检测，由于机翼的体积较大，通常完成对机翼的检测需要耗费大量的时间，检测效率较低。同时由于人工检测往往会导致人为的误差出现，导致检测结果不准确，检测准确率低的问题。
因此，在现有技术中机翼的生产质量检测方法存在检测效率低，检测精度差的技术问题。
发明内容
本申请提供一种飞机机翼的生产质量检测方法及系统，用于针对解决现有技术中机翼的生产质量检测方法存在检测效率低，检测精度差的技术问题。
鉴于上述问题，本申请提供了一种飞机机翼的生产质量检测方法及系统。
本申请的第一个方面，提供了一种飞机机翼的生产质量检测方法，所述方法应用于飞机机翼的生产质量检测系统，所述系统与计算机图像采集系统通信连接，所述方法包括：连接所述计算机图像采集系统对目标机翼进行数据采集，获取机翼图像信息，其中，所述目标机翼为飞机的相对机翼；将所述机翼图像信息输入缺陷比对库中进行缺陷标识，输出缺陷检测结果；连接所述计算机图像采集系统与模型构建系统，传输所述目标机翼的数据进行建模，生成机翼模型；对所述机翼模型进行点云扫描，获取机翼点云集合；将所述机翼点云集合输入至多维度质量检测模型中，根据所述多维度质量检测模型，输出用于标识所述机翼模型质量等级的多维检测结果；根据所述多维质量检测结果和所述缺陷检测结果，生成所述目标机翼的质量检测报告。
本申请的第二个方面，提供了一种飞机机翼的生产质量检测系统，所述系统与计算机图像采集系统通信连接，所述系统包括：图像采集模块，用于连接所述计算机图像采集系统对目标机翼进行数据采集，获取机翼图像信息，其中，所述目标机翼为飞机的相对机翼；缺陷检测模块，用于将所述机翼图像信息输入缺陷比对库中进行缺陷标识，输出缺陷检测结果；机翼模型生成模块，用于连接所述计算机图像采集系统与模型构建系统，传输所述目标机翼的数据进行建模，生成机翼模型；机翼点云集合获取模块，用于对所述机翼模型进行点云扫描，获取机翼点云集合；多维检测结果获取模块，用于将所述机翼点云集合输入至多维度质量检测模型中，根据所述多维度质量检测模型，输出用于标识所述机翼模型质量等级的多维检测结果；质量检测报告获取模块，用于根据所述多维质量检测结果和所述缺陷检测结果，生成所述目标机翼的质量检测报告。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的方法通过连接计算机图像采集系统对目标机翼进行数据采集，获取机翼图像信息。将机翼图像信息输入缺陷比对库中进行缺陷标识，输出缺陷检测结果，完成对机翼缺陷的检测。随后，连接计算机图像采集系统与模型构建系统，传输目标机翼的数据进行建模，生成机翼模型，通过对机翼模型的构建便于后续对机翼多维度质量进行检测。随后，对机翼模型进行扫描，获取机翼点云集合。将机翼点云集合输入至多维度质量检测模型中，根据多维度质量检测模型，输出用于标识机翼模型质量等级的多维检测结果。根据多维质量检测结果和缺陷检测结果，生成目标机翼的质量检测报告。由于获取了机翼图像构建机翼模型并进行缺陷检测，随后根据机翼模型对机翼进行多维检测，进而完成对机翼生产质量的检测，实现了标准化对机翼生产质量进行检测，提高了机翼检测的检测效率和检测精度的技术效果。解决了现有技术中机翼的生产质量检测方法存在检测效率低，检测精度差的技术问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请提供的一种飞机机翼的生产质量检测方法流程示意图；
图2为本申请提供的一种飞机机翼的生产质量检测方法中对目标机翼的故障定位库进行自动定位的流程示意图；
图3为本申请提供的一种飞机机翼的生产质量检测方法中获取多维检测结果的流程示意图；
图4为本申请提供了一种飞机机翼的生产质量检测系统结构示意图。
附图标记说明：图像采集模块11，缺陷检测模块12，机翼模型生成模块13，机翼点云集合获取模块14，多维检测结果获取模块15，质量检测报告获取模块16。
具体实施方式
本申请提供一种飞机机翼的生产质量检测方法及系统，用于针对解决现有技术中机翼的生产质量检测方法存在检测效率低，检测精度差的技术问题。
下面将参考附图对本申请中的技术方案进行清楚、完整地描述。所描述的实施内容例仅为本申请所能实现的部分内容，而不是本申请的全部内容。
实施例一
如图1所示，本申请提供了一种飞机机翼的生产质量检测方法，所述方法应用于飞机机翼的生产质量检测系统，所述系统与计算机图像采集系统通信连接，所述方法包括：
步骤100：连接所述计算机图像采集系统对目标机翼进行数据采集，获取机翼图像信息，其中，所述目标机翼为飞机的相对机翼；
步骤200：将所述机翼图像信息输入缺陷比对库中进行缺陷标识，输出缺陷检测结果；
步骤300：连接所述计算机图像采集系统与模型构建系统，传输所述目标机翼的数据进行建模，生成机翼模型；
步骤400：对所述机翼模型进行点云扫描，获取机翼点云集合；
具体的，连接计算机图像采集系统对目标机翼进行数据采集，获取机翼图像信息，其中，目标机翼为飞机的相对机翼即飞机的相对的机翼，计算机图像采集系统包含多个图像采集装置。随后，将机翼图像信息输入缺陷比对库中进行缺陷标识，通过对机翼图像信息以及比对库中的缺陷图像进行比对，查看机翼图像信息中存在的缺陷，并对缺陷进行标识同时获取具体的缺陷类型，输出缺陷检测结果，其中缺陷检测结果中包含缺陷数量以及缺陷标识和缺陷标识对应的缺陷类别。进一步，连接计算机图像采集系统与模型构建系统，其中模型构建系统用于根据获取的机翼图像生成等比例的模型，传输目标机翼的数据进行建模，获得机翼模型。随后，对获取机翼模型进行点云扫描，即将生成的机翼模型数据转化为具体三维点云，每个点均对应有具体的位置，获得机翼点云集合。
如图2所示，本申请实施例提供的方法步骤400还包括：
步骤410：根据所述缺陷检测结果和所述机翼点云集合进行定位分析，获取缺陷点云集合；
步骤420：按照所述缺陷检测结果中的缺陷类别对所述缺陷点云集合进行分类，获取缺陷点云分类结果，其中，所述缺陷点云分类结果中各个类别对应不同标识信息；
步骤430：将所述缺陷点云分类结果作为所述目标机翼的故障定位库进行自动定位。
具体的，由于图像采集仅仅获取了缺陷部位的图像，此时缺陷的具体位置并未获取，根据缺陷检测结果和机翼点云集合进行定位分析，定位每个缺陷图像的具体位置，获取缺陷点云集合。按照缺陷检测结果中的缺陷类别对所述缺陷点云集合进行分类，获取缺陷点云分类结果，缺陷点云分类结果中各个类别对应不同的类别标识信息。最后，将缺陷点云分类结果作为所述目标机翼的故障定位库进行自动定位，当输入某一缺陷标识时，故障定位库则可以输出对应缺陷的具体定位信息。使得工作人员在进行缺陷查找和处理时可以更加迅速的定位缺陷位置。
步骤500：将所述机翼点云集合输入至多维度质量检测模型中，根据所述多维度质量检测模型，输出用于标识所述机翼模型质量等级的多维检测结果；
步骤600：根据所述多维质量检测结果和所述缺陷检测结果，生成所述目标机翼的质量检测报告。
具体的，将机翼点云集合输入至多维度质量检测模型中，其中多维度质量检测模型中包含多个维度的质量检测指标，包括飞机机翼的曲面曲率、飞机机翼各部分的机翼厚度以及机翼的外表面表面积，上述多个维度的质量检测指标的指标数据均为标准状态下的指标参数，其中标准状态下的指标参数为飞机机翼在进行设计时的标准参数。示例性的，以飞机机翼的曲面曲率为例，获取飞机机翼在设计时的各部分的曲面曲率，得到标准机翼曲面曲率数据，随后将机翼点云集合输入至多维度质量检测模型中，获取对应位置的机翼点云集合曲面曲率数据，随后将标准机翼曲面曲率数据和对应位置的机翼点云集合曲面曲率数据进行比对，得到各曲面曲率偏差数据。进一步的，在进行比对之前设定曲面曲率偏差阈值，根据曲面曲率偏差数据和曲面曲率偏差阈值进行比对，根据与曲面曲率偏差阈值的偏差量设置对应的质量检测等级，获取分别获取各曲面曲率的检测等级进行输出，最终输出用于标识所述机翼模型质量等级的多维检测结果，其中多维检测结果中包含对应的检测维度项目和检测等级。最后，根据所述多维质量检测结果和所述缺陷检测结果，生成所述目标机翼的质量检测报告，完成对飞机机翼的生产质量检测方法。实现了标准化对机翼生产质量进行检测，提高了机翼检测的检测效率和检测精度的技术效果。
如图3所示，本申请实施例提供的方法步骤500还包括：
步骤510：获取所述多维质量检测模型的多维指标，其中，所述多维指标包括曲面基线指标、曲面边界指标和曲面开展指标；
步骤520：将所述机翼点云集合输入至多维度质量检测模型中，根据所述多维度质量检测模型的点云提取网络层和误差比对网络层，获得所述多维检测结果。
具体的，获取多维质量检测模型的多维指标，根据多维指标对机翼点云集合进行比对，多维指标包括曲面基线指标、曲面边界指标和曲面开展指标。其中，曲面基线指标用于对两对机翼基线的准确性进行比对。曲面边界指标用于对两对机翼曲面边界的承接处进行比对。曲面展开指标用于对两对机翼的展开曲面，即曲面展开后进行比对。将所述机翼点云集合输入至多维度质量检测模型中，随后根据多维度质量检测模型中的点云提取网络层对机翼点云集合的对比数据进行提取。通过误差比对网络层对曲面基线指标、曲面边界指标和曲面开展指标和提取的对比数据进行比对，分别获取曲面基线指标比对结果误差、曲面边界指标比对结果误差和曲面开展指标比对结果误差，获取比对结果得到多维检测结果。
本申请实施例提供的方法步骤520还包括：
步骤521：基于所述点云提取网络层，从所述机翼点云集合中获取基线点云集合、边界点云集合和开展点云集合；
步骤522：以所述基线点云集合、边界点云集合和开展点云集合，对应所述曲面基线指标、所述曲面边界指标和所述曲面开展指标，输入至所述误差比对网络层进行误差计算，输出基线误差、边界误差和开展误差；
步骤523：根据所述基线误差、所述边界误差和所述开展误差，获得所述多维检测结果。
具体的，通过点云提取网络层获取机翼点云集合中基线点云集合、边界点云集合和开展点云集合。随后将获取的基线点云集合、边界点云集合和开展点云集合与多维指标中对应的曲面基线指标、曲面边界指标和曲面开展指标，输入所述误差比对网络层进行误差计算，输出基线误差、边界误差和开展误差，完成对曲面基线指标、曲面边界指标和曲面开展指标的比对计算。随后将获取的基线误差、所述边界误差和所述开展误差添加至多维检测结果，获得所述多维检测结果。通过对基线点云集合、边界点云集合和开展点云集合分别进行比对，获取输出的误差结果，使得多维检测结果中可以清楚的体现飞机机翼的结构误差。进一步的，在进行比对之前分别设置曲面基线指标、曲面边界指标和曲面开展指标的预设误差阈值，通过预设误差阈值和获取的对应误差结果进行比对，预设误差阈值和获取的对应误差结果越接近误差等级越高，反之则误差等级越低，进而判断机翼的点云集合误差的具体等级，完成对机翼点云集合进行检测。
本申请实施例提供的方法步骤600还包括：
步骤700：通过对所述目标机翼的结构进行分析，获取机翼形变状态；
步骤800：按照所述机翼形变状态进行机翼区域划分，标识易损区域；
步骤900：以所述易损区域，配置高频检测周期，以所述高频检测周期输入所述计算机图像采集系统中进行图像采集周期控制。
具体的，对目标机翼的结构进行分析，获取机翼的形变状态，其中机翼的形变状态为飞机操作人员为了实现不同的操作目的，而造成机翼上装置的改变状态，如飞机在空中进行飞行方向偏转时，飞行控制人员通过操作副翼、升降舵等装置改变来实现飞行方向偏转，此时机翼的状态发生改变即为机翼形变状态。随后按照所述机翼形变状态进行机翼区域划分，将产生形变的形变位置和不产生形变的固定位置进行区分，标识产生形变的形变位置为易损区域。随后，针对易损区域，对易损区域配置较高频率的检测周期，根据配置的高频检测周期输入所述计算机图像采集系统中进行图像采集周期控制。通过对易损区域配置较高频率的检测周期，便于在后续对机翼进行实际使用情况模拟时及时发现易损区域产生的缺陷，提高识别的效率。
本申请实施例提供的方法步骤600还包括：
步骤610：获取所述目标机翼的机翼结构信息；
步骤620：根据所述机翼结构信息，获取内载荷空间信息和内载荷设备信息；
步骤630：通过分析所述内载荷空间信息，确定动态载荷重量区间；
步骤640：通过分析所述内载荷设备信息，确定固定载荷重量；
步骤650：根据所述动态载荷重量区间和所述固定载荷重量，得到载荷稳定测试结果；
步骤660：将所述载荷稳定测试结果添加至所述质量检测报告。
具体的，获取目标机翼的机翼结构信息，其中机翼结构信息中包含机翼内部载荷空间信息和机翼内部的在和设备信息。通过分析内载荷空间信息，确定机翼的动态载荷重量区间，即根据飞机内部空间大小，获取其可以容纳的重量变化范围。随后通过分析所述内载荷设备信息，确定固定载荷重量，其中固定载荷重量为机翼内载荷设备的重量信息，如机翼内控制设备等固定放置于机翼内部的设备。随后，根据所述动态载荷重量区间和所述固定载荷重量，得到载荷稳定测试结果，即在动态载荷重量区间内检测机翼在不同载荷下机翼的稳定性，随后将载荷稳定测试结果添加至所述质量检测报告，完成对机翼载荷的测试。
本申请实施例提供的方法步骤650还包括：
步骤651：以所述固定载荷重量为定量条件，以所述动态载荷重量区间为约束条件，获取用于进行载荷稳定测试的样本数据集；
步骤652：根据所述样本数据集进行模拟测试，输出样本测试结果，其中，所述样本测试结果为载荷-机翼稳定性的变化关系；
步骤653：根据所述样本测试结果，输出所述载荷稳定测试结果。
具体的，以固定载荷为定量条件，以所述动态载荷重量区间为约束条件，在定量条件的基础上不断增加载荷重量，直至达到动态载荷重量区间的约束条件，获取用于进行载荷稳定测试的样本数据集即载荷重量数据集。随后根据样本数据集在质量检测系统中进行载荷测试，测试其不同载荷重量下机翼的稳定性，在进行稳定性测试时通过模拟机翼实际使用时的风速等数据，来模拟机翼在实际使用情况下的载荷稳定性。随后输出样本测试结果，其中样本测试结果为载荷-机翼稳定性的变化关系。最后根据获取的样本测试结果，输出所述载荷稳定测试结果。通过对飞机的机翼不同载荷条件下的稳定性进行模拟测试，获取最终的测试结果，完成机翼在不同载荷条件下的稳定性评估，实现了对机翼事件使用环境下的模拟测试，进一步保证了目标机翼的质量检测报告的准确性。
综上所述，本申请实施例提供的方法通过连接计算机图像采集系统对目标机翼进行数据采集，获取机翼图像信息。将机翼图像信息输入缺陷比对库中进行缺陷标识，输出缺陷检测结果，完成对机翼缺陷的检测。随后，连接计算机图像采集系统与模型构建系统，传输目标机翼的数据进行建模，生成机翼模型，通过对机翼模型的构建便于后续对机翼多维度质量进行检测。随后，对机翼模型进行扫描，获取机翼点云集合。将机翼点云集合输入至多维度质量检测模型中，根据多维度质量检测模型，输出用于标识机翼模型质量等级的多维检测结果。根据多维质量检测结果和缺陷检测结果，生成目标机翼的质量检测报告。由于获取了机翼图像构建机翼模型并进行缺陷检测，随后根据机翼模型对机翼进行多维检测，进而完成对机翼生产质量的检测，实现了标准化对机翼生产质量进行检测，提高了机翼检测的检测效率和检测精度的技术效果。解决了现有技术中机翼的生产质量检测方法存在检测效率低，检测精度差的技术问题。
实施例二
基于与前述实施例中一种飞机机翼的生产质量检测方法相同的发明构思，如图4所示，本申请提供了一种飞机机翼的生产质量检测系统，所述系统与计算机图像采集系统通信连接，所述系统包括：
图像采集模块11，用于连接所述计算机图像采集系统对目标机翼进行数据采集，获取机翼图像信息，其中，所述目标机翼为飞机的相对机翼；
缺陷检测模块12，用于将所述机翼图像信息输入缺陷比对库中进行缺陷标识，输出缺陷检测结果；
机翼模型生成模块13，用于连接所述计算机图像采集系统与模型构建系统，传输所述目标机翼的数据进行建模，生成机翼模型；
机翼点云集合获取模块14，用于对所述机翼模型进行点云扫描，获取机翼点云集合；
多维检测结果获取模块15，用于将所述机翼点云集合输入至多维度质量检测模型中，根据所述多维度质量检测模型，输出用于标识所述机翼模型质量等级的多维检测结果；
质量检测报告获取模块16，用于根据所述多维质量检测结果和所述缺陷检测结果，生成所述目标机翼的质量检测报告。
进一步地，所述机翼点云集合获取模块14还用于：
根据所述缺陷检测结果和所述机翼点云集合进行定位分析，获取缺陷点云集合；
按照所述缺陷检测结果中的缺陷类别对所述缺陷点云集合进行分类，获取缺陷点云分类结果，其中，所述缺陷点云分类结果中各个类别对应不同标识信息；
将所述缺陷点云分类结果作为所述目标机翼的故障定位库进行自动定位。
进一步地，所述质量检测报告获取模块16还用于：
获取所述目标机翼的机翼结构信息；
根据所述机翼结构信息，获取内载荷空间信息和内载荷设备信息；
通过分析所述内载荷空间信息，确定动态载荷重量区间；
通过分析所述内载荷设备信息，确定固定载荷重量；
根据所述动态载荷重量区间和所述固定载荷重量，得到载荷稳定测试结果；
将所述载荷稳定测试结果添加至所述质量检测报告。
进一步地，所述质量检测报告获取模块16还用于：
以所述固定载荷重量为定量条件，以所述动态载荷重量区间为约束条件，获取用于进行载荷稳定测试的样本数据集；
根据所述样本数据集进行模拟测试，输出样本测试结果，其中，所述样本测试结果为载荷-机翼稳定性的变化关系；
根据所述样本测试结果，输出所述载荷稳定测试结果。
进一步地，所述多维检测结果获取模块15还用于：
获取所述多维质量检测模型的多维指标，其中，所述多维指标包括曲面基线指标、曲面边界指标和曲面开展指标；
将所述机翼点云集合输入至多维度质量检测模型中，根据所述多维度质量检测模型的点云提取网络层和误差比对网络层，获得所述多维检测结果。
进一步地，所述多维检测结果获取模块15还用于：
基于所述点云提取网络层，从所述机翼点云集合中获取基线点云集合、边界点云集合和开展点云集合；
以所述基线点云集合、边界点云集合和开展点云集合，对应所述曲面基线指标、所述曲面边界指标和所述曲面开展指标，输入至所述误差比对网络层进行误差计算，输出基线误差、边界误差和开展误差；
根据所述基线误差、所述边界误差和所述开展误差，获得所述多维检测结果。
进一步地，所述质量检测报告获取模块16还用于：
通过对所述目标机翼的结构进行分析，获取机翼形变状态；
按照所述机翼形变状态进行机翼区域划分，标识易损区域；
以所述易损区域，配置高频检测周期，以所述高频检测周期输入所述计算机图像采集系统中进行图像采集周期控制。
上述实施例二用于执行如实施例一中的方法，其执行原理以及执行基础均可以通过实施例一中记载的内容获取，在此不做过多赘述。尽管结合具体特征及其实施例对本申请进行了描述，但本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围，这样获取的内容也属于本申请保护的范围。

Claims (8)

1.一种飞机机翼的生产质量检测方法，其特征在于，所述方法应用于飞机机翼的生产质量检测系统，所述系统与计算机图像采集系统通信连接，所述方法包括：
连接所述计算机图像采集系统对目标机翼进行数据采集，获取机翼图像信息，其中，所述目标机翼为飞机的相对机翼；
将所述机翼图像信息输入缺陷比对库中进行缺陷标识，输出缺陷检测结果；
连接所述计算机图像采集系统与模型构建系统，传输所述目标机翼的数据进行建模，生成机翼模型；
对所述机翼模型进行点云扫描，获取机翼点云集合；
将所述机翼点云集合输入至多维度质量检测模型中，根据所述多维度质量检测模型，输出用于标识所述机翼模型质量等级的多维检测结果；
根据所述多维质量检测结果和所述缺陷检测结果，生成所述目标机翼的质量检测报告。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述缺陷检测结果和所述机翼点云集合进行定位分析，获取缺陷点云集合；
按照所述缺陷检测结果中的缺陷类别对所述缺陷点云集合进行分类，获取缺陷点云分类结果，其中，所述缺陷点云分类结果中各个类别对应不同标识信息；
将所述缺陷点云分类结果作为所述目标机翼的故障定位库进行自动定位。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述目标机翼的机翼结构信息；
根据所述机翼结构信息，获取内载荷空间信息和内载荷设备信息；
通过分析所述内载荷空间信息，确定动态载荷重量区间；
通过分析所述内载荷设备信息，确定固定载荷重量；
根据所述动态载荷重量区间和所述固定载荷重量，得到载荷稳定测试结果；
将所述载荷稳定测试结果添加至所述质量检测报告。
4.如权利要求3所述的方法，其特征在于，根据所述动态载荷重量区间和所述固定载荷重量，得到载荷稳定测试结果，所述方法还包括：
以所述固定载荷重量为定量条件，以所述动态载荷重量区间为约束条件，获取用于进行载荷稳定测试的样本数据集；
根据所述样本数据集进行模拟测试，输出样本测试结果，其中，所述样本测试结果为载荷-机翼稳定性的变化关系；
根据所述样本测试结果，输出所述载荷稳定测试结果。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述多维质量检测模型的多维指标，其中，所述多维指标包括曲面基线指标、曲面边界指标和曲面开展指标；
将所述机翼点云集合输入至多维度质量检测模型中，根据所述多维度质量检测模型的点云提取网络层和误差比对网络层，获得所述多维检测结果。
6.如权利要求5所述的方法，其特征在于，根据所述多维度质量检测模型的点云提取网络层和误差比对网络层，获得所述多维检测结果，所述方法还包括：
基于所述点云提取网络层，从所述机翼点云集合中获取基线点云集合、边界点云集合和开展点云集合；
以所述基线点云集合、边界点云集合和开展点云集合，对应所述曲面基线指标、所述曲面边界指标和所述曲面开展指标，输入至所述误差比对网络层进行误差计算，输出基线误差、边界误差和开展误差；
根据所述基线误差、所述边界误差和所述开展误差，获得所述多维检测结果。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
通过对所述目标机翼的结构进行分析，获取机翼形变状态；
按照所述机翼形变状态进行机翼区域划分，标识易损区域；
以所述易损区域，配置高频检测周期，以所述高频检测周期输入所述计算机图像采集系统中进行图像采集周期控制。
8.一种飞机机翼的生产质量检测系统，其特征在于，所述系统与计算机图像采集系统通信连接，所述系统包括：
图像采集模块，用于连接所述计算机图像采集系统对目标机翼进行数据采集，获取机翼图像信息，其中，所述目标机翼为飞机的相对机翼；
缺陷检测模块，用于将所述机翼图像信息输入缺陷比对库中进行缺陷标识，输出缺陷检测结果；
机翼模型生成模块，用于连接所述计算机图像采集系统与模型构建系统，传输所述目标机翼的数据进行建模，生成机翼模型；
机翼点云集合获取模块，用于对所述机翼模型进行点云扫描，获取机翼点云集合；
多维检测结果获取模块，用于将所述机翼点云集合输入至多维度质量检测模型中，根据所述多维度质量检测模型，输出用于标识所述机翼模型质量等级的多维检测结果；
质量检测报告获取模块，用于根据所述多维质量检测结果和所述缺陷检测结果，生成所述目标机翼的质量检测报告。
CN202310905364.3A 2023-07-24 2023-07-24 一种飞机机翼的生产质量检测方法及系统 Withdrawn CN116912220A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310905364.3A CN116912220A (zh) 2023-07-24 2023-07-24 一种飞机机翼的生产质量检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310905364.3A CN116912220A (zh) 2023-07-24 2023-07-24 一种飞机机翼的生产质量检测方法及系统

Publications (1)

Publication Number Publication Date
CN116912220A true CN116912220A (zh) 2023-10-20

Family

ID=88352748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310905364.3A Withdrawn CN116912220A (zh) 2023-07-24 2023-07-24 一种飞机机翼的生产质量检测方法及系统

Country Status (1)

Country Link
CN (1) CN116912220A (zh)

Similar Documents

Publication Publication Date Title
CN103528617B (zh) 一种座舱仪表自动识别和检测方法及装置
CN111476786A (zh) 一种基于实测数据的长桁自动化涂胶及质量检测方法
CN110220476A (zh) 一种基于三维激光扫描的航空零件自动快速测量方法
CN104597907A (zh) 一种架空输电线路无人机巡检系统飞行准确性评价方法
CN111724290B (zh) 基于深度分层模糊算法的环保设备识别方法与系统
CN111652835A (zh) 基于深度学习与聚类的输电线路绝缘子缺失的检测方法
CN114460439A (zh) 一种数字集成电路测试系统
US20230084562A1 (en) Non-destructive inspection method and system based on artificial intelligence
CN115147834A (zh) 一种基于点云的飞机长桁平面特征提取方法、装置及设备
CN116245007A (zh) 基于图像识别的节理岩体rev数值模拟获取方法及系统
CN113408200B (zh) 航空装备振动环境分析和预测方法
CN112800540B (zh) 一种基于高斯过程回归的航空发动机载荷谱任务段建模方法
CN116912220A (zh) 一种飞机机翼的生产质量检测方法及系统
CN111141472B (zh) 一种抗震支吊架检测方法及系统
CN112097743A (zh) 基于无人机技术的建筑抗震特性分析方法
CN116580001A (zh) 一种航空发动机零部件装配缺陷三维检测方法及系统
CN116307858A (zh) 测绘成果质量检查与评分系统
CN114842192A (zh) 一种航空发动机叶片损伤识别模型、损伤识别方法及系统
Austria et al. Defect detection and classification in printed circuit boards using Convolutional Neural Networks
CN108152373B (zh) 基于孔隙尺寸识别的含孔隙复合材料力学性能测量系统及方法
CN117237566B (zh) 房屋验收方法、装置、设备及计算机可读存储介质
CN111581866B (zh) 储罐性能测试方法、装置、计算机设备和可读存储介质
CN114943693B (zh) 一种基于JetsonNano桥梁裂纹检测方法及系统
CN114215702B (zh) 风机叶片故障检测方法、系统
CN114092433B (zh) 一种基于三角形质心优化的表观缺陷检测方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20231020

WW01 Invention patent application withdrawn after publication