基于深度学习的机器视觉系统，用于孔扩张测试中的实时边缘断裂检测

《Engineering Applications of Artificial Intelligence》：Deep learning-based machine vision system for real-time edge fracture detection in the hole expansion test

边缘裂纹实时检测与孔扩张比量化研究采用深度学习结合双阶段分割与兴趣区域线性化，有效识别材料表面反射差异和厚度变化下的裂纹起始，误差小于2%。

　　在汽车工业中，金属板材的冲压成型工艺广泛应用于制造具有拉伸翻边、紧固半径弯曲或冲孔结构的零部件。这些结构在加工过程中容易出现边缘裂纹，对产品的质量和安全性产生严重影响。因此，如何在实际生产中实现对边缘裂纹的实时检测和量化分析，成为了一个关键的技术挑战和工业需求。传统的检测方法依赖于人工观察或高精度摄像头，但这些方法存在一定的局限性，例如对材料表面反射率的敏感性、操作依赖性强以及难以准确捕捉裂纹发生的瞬间。此外，使用3D数字图像相关（DIC）系统虽然能够提供高精度的测量数据，但其成本较高，且需要在材料表面施加随机的斑点图案，增加了实验复杂度。同时，由于裂纹传播速度快，传统的图像处理技术难以在裂纹出现时立即做出反应。

为了克服这些局限性，近年来一些自动化方法被提出，包括基于视觉、冲压载荷、气动、声发射以及混合分析技术的系统。例如，Choi等人提出了一种视觉系统，结合自适应二进制算法和Blob检测技术，用于识别裂纹形成。然而，这种方法在高反射率材料上仍然存在一定的检测难度。Cruz等人也提到，其数字图像处理算法在处理高反射率材料时遇到了挑战，因此他们通过校准每个孔径来补偿镜头畸变。虽然这些方法在一定程度上提高了检测的准确性，但它们仍然存在一些问题，例如非线性畸变带来的误差，以及对孔径和相机中心对齐的严格要求。此外，Leonhardt等人提出了一种气动裂纹检测方法，利用充满压缩空气的压力缸来检测裂纹的出现。当裂纹发生时，空气会通过裂纹逸出，导致压力下降，从而触发系统停止测试。这种方法适用于HER值较低的材料，但在高HER值的材料上可能无法有效工作。

在研究中，我们提出了一种基于机器视觉的自动化系统，结合深度学习模型，用于实时监测和分析冲孔扩展测试（HET）。该系统能够有效捕捉裂纹的传播过程，量化冲孔扩展比（HER），并测量裂纹间隙。为了提高系统的准确性，我们设计了一种双阶段分割方法，结合区域感兴趣线性化技术，以消除图像畸变并实现更精确的边缘裂纹识别。此外，我们还开发了一个图形用户界面（GUI），与测试设备系统集成，以支持实时监测和用户友好性。通过一系列实验，我们验证了该方法在不同材料厚度和HER值下的有效性和可靠性。

深度学习技术在计算机视觉领域取得了显著进展，能够从大规模数据集中学习模式和特征，从而实现更精确的图像识别和分割。许多深度学习模型已经被应用于缺陷检测、质量控制和工艺优化等不同领域，例如建筑、医疗影像和制造业。在冲孔扩展测试中，裂纹的形态和出现时间会受到材料种类、厚度以及冲孔方式的影响，因此深度学习模型的应用可以显著提高检测的准确性和鲁棒性。我们通过构建一个包含不同材料厚度和HER值的图像数据集，对深度学习模型的性能进行了评估。该数据集由高分辨率的灰度图像组成，图像分辨率为1944×2592像素，涵盖了从初始状态到扩展和裂纹形成的不同阶段。通过这些图像，我们能够训练和验证深度学习模型，使其在各种材料条件下都能准确识别裂纹并量化HER值。

在方法部分，我们设计了一个完整的图像处理流程，包括数据采集、双阶段分割、区域感兴趣线性化以及裂纹识别。首先，当冲压装置以固定速度向上移动时，视觉系统会实时采集图像并将其传输到图像处理线程。然后，孔分割模型用于识别孔的内边界和外边界，从而确定孔的大小和位置。接下来，线性化方法将图像数据从笛卡尔坐标转换为极坐标，以更精确地捕捉裂纹的传播过程。最后，裂纹识别模型通过分析极坐标下的图像数据，检测裂纹的出现并测量裂纹间隙。整个流程能够在不同材料厚度和表面反射率条件下保持较高的检测准确性和一致性。

为了验证该方法的有效性，我们进行了多次实验，并使用不同的材料厚度和HER值进行测试。实验结果表明，该方法能够实现高精度的裂纹分割和HER值量化，其平均精度（mAP50）达到了0.987，远高于传统方法。此外，裂纹间隙的测量方法基于距离变换和骨架化技术，能够在不同材料条件下准确测量裂纹的大小。这些结果表明，该方法不仅提高了检测的准确性，还减少了对人工干预的依赖，为工业应用提供了更加可靠和客观的解决方案。

通过实验验证，我们发现该方法在不同材料厚度和HER值下的表现稳定，能够有效识别裂纹并量化扩展比。与传统的检测方法相比，该方法具有更高的自动化程度和更少的误差，特别是在高反射率材料和不同厚度材料的情况下。此外，该方法还能够实时监测裂纹的出现，确保检测过程的及时性和连续性。这些优势使得该方法在汽车工业中具有广泛的应用前景，能够提高产品质量和安全性，减少生产中的缺陷率。

在研究过程中，我们还对不同的检测方法进行了比较分析，以确定其优缺点和适用范围。例如，传统的DIC系统虽然能够提供高精度的测量数据，但其成本较高，且需要在材料表面施加随机斑点图案，增加了实验的复杂性。而基于视觉和深度学习的方法则能够克服这些限制，提供更高效的检测和更少的误差。此外，我们还对双阶段分割方法进行了消融研究，以验证其在不同材料条件下的性能。实验结果表明，双阶段分割方法能够显著提高裂纹识别的准确性，特别是在复杂背景和高反射率材料的情况下。

为了进一步提高检测的准确性，我们还开发了一个图形用户界面（GUI），与测试设备系统集成，以便于用户操作和实时监控。GUI提供了直观的图像显示和数据处理功能，使得检测过程更加透明和高效。通过GUI，用户可以实时查看图像数据，调整参数，并获取裂纹识别和HER值量化的结果。这些功能不仅提高了检测的效率，还增强了用户对检测过程的控制能力，为实际应用提供了更好的支持。

总的来说，这项研究提出了一种基于机器视觉和深度学习的自动化系统，用于实时监测和分析冲孔扩展测试。该系统能够有效识别裂纹、量化HER值，并测量裂纹间隙，从而提高了检测的准确性和可靠性。通过实验验证，我们发现该方法在不同材料厚度和HER值下的表现稳定，能够克服传统方法的局限性，为工业应用提供了更加高效和客观的解决方案。这些研究成果不仅有助于提高汽车零部件的质量和安全性，还为其他制造业领域提供了可借鉴的检测方法和技术。