潘 甜，张司颖，叶杨飞

(江苏航空职业技术学院，江苏 镇江 212134)

0 引言

随着目标检测技术的发展，目标检测算法也在更新换代。常见的目标检测算法有SPP-Net、Faster R-CNN和YOLO，吴越等[1]利用基于Faster R-CNN的深度学习方法对钢材表面进行缺陷识别检测，通过改进Faster R-CNN中的RPN网络，优化了参数模型，提高了检测的准确性。针对子弹表面缺陷检测效率低下的问题，韩强等[2]将优化后的CNN模型与Faster R-CNN进行结合，使得缺陷检测的识别率达到了92%以上。深度学习通过多层网络模型训练标注好的样本数据集，能够准确识别缺陷图像的类型，在图像处理领域得到越来越广泛的应用[3]。

国内外学者利用深度学习及其各种算法对工业生产中的缺陷图像进行了深入的研究，然而，将深度学习用于飞机蒙皮表面缺陷检测的研究甚少。为此，本文从深度学习的常见算法出发，以飞机蒙皮表面裂纹、撞击和腐蚀缺陷为背景，完成飞机蒙皮表面常见缺陷图像的分类识别。

1 基于深度学习的飞机蒙皮缺陷检测总体方案设计

飞机蒙皮作为机体的重要组成部分，不仅需要维持飞机的外形，还要承受飞行过程中巨大的空气阻力，由于长期飞行和保养不当都会导致蒙皮表面出现如裂纹、撞击、腐蚀等缺陷[4]，如图1所示。这些缺陷不仅影响飞机的美观，更是造成空难事故的重要因素之一。因此，为了确保飞机飞行安全，定期对蒙皮进行缺陷检测是工作人员的重要任务之一。

图1 飞机蒙皮表面缺陷图像

美国联邦航天局(FAA)规定所有用于商业飞行的飞机每隔6年或经过12 000次起降或达到24 000飞行小时，必须对飞机表面进行结构损伤检查，从而发现蒙皮表面的裂纹和腐蚀损伤。传统的飞机蒙皮缺陷检测主要由人工凭借经验进行识别，存在很大的主观性。随着无损检测技术的诞生，如超声波及涡流检测等检测手段，不但具有较高的检测精度，且极大地降低了人力成本，逐步取代了人工检测，但智能化程度不高。基于机器视觉的无损检测是一种重要的检测手段，常见的有无人机检测装置和机器人检测，虽将自动化与智能化结合，提高了检测精度，但大多数机器视觉检测设备需要融合多种图像处理算法才能完成检测，导致设备的通用性较低[5]。

近年来，深度学习和大数据技术凭借其强大的数据处理能力，解决了传统机器视觉设备通用性低的问题，能够对输入的缺陷图像进行高精度的分类检测，为飞机蒙皮的缺陷检测提供了新的研究方向[6-9]。

本文提出的基于深度学习的蒙皮缺陷检测方案如图2所示。首先通过工业CCD像机拍摄蒙皮表面的缺陷图像，并进行图像预处理；然后将基于CNN模型的训练网络与基于DCGAN的生成对抗网络进行增强训练，对样本库进行扩充，并利用基于Faster R-CNN模型的深度学习算法进行网络训练；最后输出分类结果。

图2 基于深度学习的蒙皮缺陷检测方案

2 飞机蒙皮缺陷检测方法

2.1 基于DCGAN网络的数据集增强

在实际的缺陷检测中，由于蒙皮表面图像采集的样本量较少，这会导致神经网络训练不准确，为了弥补数据集不足的缺陷，需要利用DCGAN网络与目标检测算法有效融合，从而增强数据集。DCGAN是一种基于GAN的生成对抗网络，生成器根据随机变量生成虚拟样本，判别器能够判别图像真伪。DCGAN结构原理如图3所示。

图3 DCGAN结构原理

通过事先将隐随机变量输入到生成模型中，同时将蒙皮图像的训练样本和生成的虚拟样本输入到判别器中，经过反复训练使判别器无法辨别样本真伪。事实表明，通过此类方法生成的数据与真实数据相似度极高，从而能够有效扩充蒙皮样本的数据集。

在实际应用中，我们将处理好的蒙皮图像输入到生成对抗网络(DCGAN)模型中，设置学习率为0.01、momentum为0.3来加速训练过程，经过几百次的迭代，生成三种缺陷的若干样本图像集。通过生成对抗网络DCGAN能够初步学习到蒙皮表面的缺陷图像，且与其他图像处理算法相比具有较高的随机性，生成的虚拟样本集对基于深度学习的蒙皮缺陷检测具有重要价值。

2.2 基于Faster R-CNN的图像缺陷检测分析

Faster R-CNN网格模型主要由特征提取模块、RPN模块、ROI Pooling模块和R-CNN模块等部分组成，如图4所示[10]。Faster R-CNN算法首先通过区域生成网络初步生成候选网络，并进行初步分类和定位，进而对候选区域池化处理，最后对池化后的缺陷进行再次分类和位置回归处理，通过对缺陷的两次定位和分类，提高了检测精度。

图4 Faster R-CNN网络模型

本文采用ZFNet作为特征提取网络，ZF网络通过降低卷积核和步长，保留缺陷图像的基本特征，能获得较高的准确率。在ZF网络模型中包括13个卷积层、13个激活层和4个池化层，其中，卷积层使用的是3×3的卷积核，3×3指的是能够捕获像素信息的最小尺寸，较多的激活层可使卷积网络具有更好的学习能力；包括5个卷积模块，分别可以输出64、128、256、512和512个特征图像。

RPN模块负责对特征图进行Anchor处理，通过对每个Anchor的类别及位置进行预测，根据预测结果对缺陷进行二次分类并再次定位。ROI Pooling作为池化层的一种，主要是针对RPN模块后生成的候选框进行图像映射，输入的是尺寸不固定的特征图，而输出的是尺寸固定的特征图，用户根据输出维度划分映射后的区域，选出每个区域的最大值进行池化处理，从而输出固定大小的特征图像。R-CNN模块负责把ROI Pooling模块得到的部分特征图像映射到整张特征图上，通过将特征图像输出到R-CNN结构的全连接网络中，可以再次精确判别缺陷的类型和位置。

在基于Faster R-CNN的蒙皮图像缺陷检测中，RPN和R-CNN模块分别会产生损失，损失率反映了该方法进行缺陷识别的准确程度。其损失函数为：

3 仿真实验及结果分析

仿真实验中，我们利用100张缺陷图像通过生成对抗网络生成总共1 000张数据集，缺陷类型包括蒙皮表面裂纹、撞击和腐蚀。针对以上缺陷，分别对人工检测、传统检测方法和本文检测方法的效果进行对比，如表1所示。实验证明本文检测方法可以更好地定位缺陷位置并进行分类识别。

表1 蒙皮缺陷识别检测结果对比

4 结束语

本文针对蒙皮表面易产生的裂纹、撞击和腐蚀缺陷，采用基于深度学习的Faster R-CNN网络构建了飞机蒙皮缺陷检测模型。首先通过生成对抗网络DCGAN扩充缺陷图像集，弥补了自身样本数据的不足，接着将生成的图像输入到Faster R-CNN网络中进行模型训练，从而完成蒙皮缺陷的分类。实验证明，该检测方法的检出率达到96%、识别率达到92%、损失率不到5%，为飞机蒙皮的缺陷检测提供了一种新的研究方向。