3、航空航天缺陷检测的人工智能方法与部署

航空航天缺陷检测的人工智能方法与部署

在航空航天等诸多行业中，缺陷检测至关重要。无损检测技术以及基于深度学习的缺陷检测算法不断发展，为提高检测效率和准确性提供了有力支持。

1. 无损检测方法

在检测、定位、成像和质量控制方面，超声脉冲检测是一种合适的解决方案。除了航空业，红外热成像技术也被用于检测 CFRP 包裹混凝土构件中的分层情况，以分析无损检测方法的准确性。通过制造人工分层进行实验，测试参数包括尺寸、深度、表面覆盖砂浆的存在情况以及分层空隙中的含水量。红外热成像技术在主动加热的情况下，能够成功识别尺寸为 50mm×50mm 的分层区域，但无法识别深度。

超声检测（UT）在不同行业的检测中较为常见。在建筑和建造应用中，维护技术人员使用 UT 来定位结构钢构件中的焊接缺陷。超声的 B 扫描图像和红外热成像都能够识别损伤。在航空业，如今 UT 是检测复合材料分层和脱粘的最可靠无损检测方法之一。不过，UT 探测器必须与扫描仪或自动化系统结合使用，以“C 扫描”形式记录结果，其处理时间相对较长，扫描仪系统在现场和使用中的检测不太实用。

2. 缺陷检测算法

传统目标检测中常用的方法有 Haar 特征、局部二值模式、梯度提升函数直方图和级联分类器等。基于深度学习的缺陷检测方法可分为两类：两阶段检测器和一阶段检测器。

• 两阶段检测器 ：以 R - CNN 为代表。检测任务首先生成边界框并进行预测。具体步骤为：输入测试图像，使用选择性搜索算法从图像底部提取约 2000 个可能包含对象的潜在区域；将每个区域提案扩展为 227×227 网格的统一大小，并输入到 CNN 中，使用 CN