基于机器视觉的身管内膛质量检测技术研究.pdfVIP

摘要

近年来，应用机器视觉技术实现工业产品质量检测的研究层出不穷，尤其是钢材表

面的质量检测方向。在军事领域，同为钢材质的身管表面质量检测研究资料较少，且现

有检测方案中，多数检测结果依赖人工经验判断，不具有通用性，无法形成标准化检测

规范。为此，本课题基于机器视觉的身管内壁质量检测研究，深入探讨身管图像的质量

检测方法，并验证该方法的可行性，具体开展以下工作。

首先，结合检测系统的使用场景和技术指标要求，介绍质量检测系统的总体结构设

计，并给出系统图像传感器和环绕其的点光源实物图。随后介绍系统的工作流程和功能

模块，除机械结构外，重点阐述图像处理模块和质量检测模块，并简要介绍了系统软件

的功能设计。

其次，针对检测系统采集的身管内壁图像，研究相机成像模型、相机标定内参矩阵

和图像畸变校正算法，降低了桶形畸变造成的影响。为尽可能保留图像本征信息，探讨

了OpenCV中畸变校正函数的参数设置，以及柱面投影理论。经过实验对比分析，证明

上述图像预处理算法的必要性和有效性。

接着，针对身管图像背景复杂、纹理多样的特点，本文从提取特征点数量、特征匹

配正确率及图像融合效果等方面，比较了SIFT和ORB、KNN和BF、直接平均融合法和

加权平均融合法等不同处理算法的优劣，最终选择特征提取算法SIFT、特征匹配算法

KNN、图像融合加权平均算法对身管内壁图像进行拼接处理，从主观及客观两个方面评

价拼接图像效果，最终完成身管的多幅图像拼接任务。

最后，分析身管内壁质量检测中识别和分类的重难点，介绍了传统图像处理、基于

机器学习和基于深度学习的检测算法。传统图像处理算法探讨了图像灰度化、增强、形

态学操作等，为提取到目标区域，而过于依赖参数设置，基于机器学习的检测方法检测

种类单一、效率不佳。进而提出深度学习目标检测算法，选择了Yolov5算法对身管内壁

缺陷进行识别和分类，按相应缺陷种类制作训练集train和验证集valid。使用yolov5网

络模型对数据进行训练，通过设计实验并反复调节参数，从exp文件夹中选择最佳检测

模型，进行身管图像的自动识别检测，并完成图像拼接任务和质量检测任务的实验验证。

综上所述，本课题通过图像拼接技术和深度学习目标检测算法，完成了畸变影响较

小、图像拼接精度高、图像融合效果好、质量检测精确且高效的身管内膛质量检测任务，

实现对身管内壁质量的智能化检测，为火炮身管的维护和评估提供了一定的参考价值。

关键词：身管质量；相机畸变校正；身管图像拼接；质量检测系统

Abstract

Inrecentyears,researchonapplyingmachinevisiontechnologyforindustrialproduct

qualityinspectionhasproliferated,particularlyinthefieldofsteelsurfacequalitydetection.In

themilitarydomain,however,studiesonthequalityinspectionofgunbarrelsurfacesmadefrom

similarsteelmaterialsarerelativelyscarce.Existingdetectionmethodslargelydependonmanual

experienceandlackuniversality,makingitdifficulttoestablishstandardizedinspectioncriteria.

Toaddressthisissue,thisstudyfocusesonmachinevision-basedqualityinspectionoftheinner

wallsofgunbarrels,exploringeffectiveimage-basedinspectionmethodsandvalidatingtheir

feasibilitythroughthefollowingwork.