航空裝備由于經常暴露在嚴重的鹽霧、潮濕和煙塵環境中，極易發生腐蝕問題[1-2]。目前，腐蝕已成為航空裝備發生事故的重要原因之一，由此導致航空裝備的防腐蝕費用居高不下。據介紹，美國防部每年用于防腐蝕的費用達約10億美元。對服役裝備進行腐蝕檢測是十分必要的環節。采取有效措施檢測裝備表面的腐蝕缺陷并評估腐蝕等級可以指導維護人員盡早制定維修和保養措施，最大限度地降低腐蝕對航空裝備的破壞作用，延長其使用壽命，提高其可靠性，并大幅減少艦載機的維修費用。 

目前，對于航空裝備表面腐蝕狀態的傳統監檢測技術主要包括兩方面：一方面，通過測定銹蝕引起材料電磁、熱傳導、聲波傳播等物理性質的變化來反映腐蝕情況[3]，主要技術包括超聲法、渦流法、射線法、紅外熱像法等；另一方面，利用電化學腐蝕監檢測設備對航空裝備關鍵部位所處的環境因素（溫度、濕度、pH、Cl-含量等）進行檢測，并對典型部位基體腐蝕速率及累積腐蝕量進行實時測量，從而對關鍵部位腐蝕失效和日歷壽命做出準確評估[4]。近年來，隨著光電技術的興起，非接觸式光學測量系統、三維立體視覺技術得到快速發展[5-6]，通過與計算機技術、自動控制技術、機器人技術相結合，智能化、可視化、小型化，能現場原位應用的腐蝕檢測技術是未來的主流發展趨勢。 

筆者首先對常規腐蝕缺陷檢測技術的原理和局限性進行了總結，隨后重點闡述了基于機器視覺的新型腐蝕檢測技術的研究進展，并對機器學習等人工智能方法應用于腐蝕缺陷自動識別和評價的發展趨勢進行了展望。 

1.   常規腐蝕缺陷檢測技術研究現狀

目前，用于航空裝備表面腐蝕缺陷的常規檢測技術主要包括超聲法、射線法、紅外熱像法、渦流法和磁粉法等。 

1.1   超聲檢測

超聲檢測是一種傳統的檢測技術，輸出信號以波形方式體現，原理是利用機械波與缺陷相互作用的散射、反射和透射，獲得含有缺陷信息的聲信號，從而判斷工件和材料缺陷的嚴重程度。利用超聲波檢測法可分辨管道的內外壁腐蝕、應力腐蝕破裂和管壁內的夾雜等缺陷[7-8]。此外，SRIRAMADASU等[9]利用超聲導波散射對鋼筋點蝕進行早期檢測和評估，根據各種散射波模式到達的差分時間來識別點蝕位置。 

超聲檢測技術由于檢測速度快、顯示直觀，已經成為航空零部件等大型材料構件普遍采用的檢測技術。但由于超聲波在空氣傳播時衰減速度快，檢測時對工件的表面粗糙度要求較高，需要使用耦合劑使聲波導入到待測工件內部。 

1.2   渦流檢測

渦流檢測的本質是根據電磁學原理，對導體施加高頻激勵，在導體中誘導出不同振幅和相位的渦流，然后測量二次磁場的變化，以確定鐵磁材料和非鐵磁材料是否存在缺陷。可用于探測工件全面腐蝕和局部腐蝕，也可用于工業設備的在線測量。袁英民等[10]采用低頻渦流法檢測了在役飛機蒙皮多層結構的夾層腐蝕問題，綜合多部位腐蝕的信號幅度、相位分離度等因素，選取最佳頻率，并制作專用渦流探頭，通過分析阻抗圖中相位和幅值變化，有效區分了不同層的腐蝕缺陷。劉峰等[11]采用低頻渦流法檢測了耐熱奧氏體不銹鋼內壁腐蝕層厚度，并用高頻渦流測量外壁氧化層厚度，腐蝕層厚度和氧化層厚度對渦流信號的影響規律與模擬結果一致。 

渦流檢測適用于所有導電材料，但由于存在高頻激勵信號，系統結構較為復雜，信號處理困難[12]。同時，由于渦旋電流的趨膚效應，其檢測深度受到了一定的限制。 

1.3   射線法

射線法主要基于X射線檢測原理，利用工件各個部位對射線的吸收率不同，判斷工件中是否存在缺陷以及缺陷的位置、大小。射線檢測具有檢測結果直觀、記錄容易保存等優點，目前在航空航天領域主要應用于精密鑄件、燒結和復合材料結構的檢測[13]，但是對腐蝕缺陷的檢測精度存在較大誤差。這主要是由于缺陷檢出率與射線的入射方向有關，且利用不同部位黑度（曝光量）的差異來判斷腐蝕深度往往會帶來較大偏差。 

1.4   紅外熱成像檢測

紅外熱成像作為一種非接觸式的無損檢測方法，其主要原理是利用一束脈沖強熱流照射被測物體，并利用紅外探測器記錄被測物表面加熱冷卻過程的溫度場。由于被測物中有缺陷部位和無缺陷部位對應的表面溫度不同，因此可以判定缺陷是否存在。與腐蝕有關的現象如設備泄漏，傳熱設備結垢等都可以提供紅外測量訊號，馬永明等[14]利用紅外熱成像法有效排查了帶壓設備保溫層下腐蝕泄漏隱患。 

紅外熱成像法具有快速、無需耦合、大面積檢測等特點，但紅外檢測方法易受環境溫度、局部空氣擾動等條件影響，一般只適用于檢測蝕斑的分布，不適用于腐蝕發展速度的檢測[15]。 

2.   基于機器視覺的新型腐蝕缺陷檢測技術研究進展

機器視覺主要利用計算機來模擬人或再現與人類視覺有關的某些智能行為，從客觀事物的圖像中提取信息進行處理并加以理解，從而高效精準地完成復雜環境辨識與判斷等相關任務[16]。機器視覺技術將計算機技術與人工智能相結合，具有高實時性、高準確性及智能化特點，近年來在交通運輸、汽車制造、食品檢測等多個民用領域得到了廣泛應用，同時在軍事領域中典型目標識別、裝備缺陷檢測等也發揮了巨大作用[17-18]，這為將機器視覺技術用于航空裝備腐蝕缺陷檢測奠定了堅實基礎。 

2.1   基于機器視覺的腐蝕檢測原理

機器視覺系統是通過圖像攝入裝置將攝入目標轉換成圖像信號，傳輸到專門的圖像處理系統，根據像素分布和亮度、顏色等信息，轉換成數字信號；圖像系統對這些信號進行各種運算，提取目標特征，然后根據判別結果進行相應運算[19-20]。利用機器視覺方法對材料表面外觀腐蝕圖像進行在線檢測，具有實現材料外觀腐蝕特征信息數字化、定量化，提高材料腐蝕特征識別規范性、準確性的作用。 

航空材料表面腐蝕特征主要為點蝕、裂紋、鼓泡、剝落、粉化等，通過機器視覺系統可將材料蝕點的分布、大小、面積等轉化為二值化圖像信息、區域邊緣輪廓、紋理、亮度等描述，在圖像特征抽取中，對圖像形狀、圖像像素、顏色特征及紋理特征進行統計，并用圖像直方圖和頻譜等表示。基于機器視覺的腐蝕檢測過程即首先通過攝像頭攝取材料腐蝕圖像，隨后對圖像進行預處理、圖像分割，并對分割后的目標圖像進行特征提取，根據提取特征進行分類識別[21]。 

2.2   基于機器視覺的國內外腐蝕檢測研究現狀

目前，基于機器視覺的產品設備發展已經較為成熟，如工業相機、藍光相機等，特別是近年來蓬勃發展的激光立體相機技術，它是一種基于機器視覺的三維在線檢測方法，可進行三維點云模型重建、立體定位、物體尺寸測量、物體表面缺陷檢測等多種二次應用開發[22-24]。 

基于線激光掃描立體相機檢測技術，以線激光作為主動光源，采用可見光雙目視覺+線激光技術，類同于人眼成像原理，利用左右雙目的成像視差（三角測距），進行圖像匹配，進而計算圖像上每個像素的深度信息，再加上圖像本身的二維信息，給出拍攝圖像的三維立體信息。該方法的優點在于精度高、效率快、直觀、成本低、適應性強等，可以最大限度地避免人為因素及環境因素干擾，在線獲取高質量、高通量的缺陷圖像，應用發展前景十分廣闊，其技術原理見圖1。 

圖  1  激光立體相機技術原理

Figure  1.  Principle of laser stereo camera technology

工業相機或立體相機為圖像的高實時性精準獲取提供了堅實基礎，但在所得大量圖像數據中，檢測人員經常面臨圖像顯示質量較差、多種缺陷交疊及非線性材料等問題，僅依據專業檢測人員的知識和經驗判斷往往會產生偏差，降低檢測結果的準確性和可靠性。因此，機器視覺技術應用于腐蝕損傷檢測中面臨的關鍵問題是如何區分腐蝕缺陷與非腐蝕缺陷，以及不同類型的腐蝕缺陷。 

機器視覺作為新一代智能感知技術，是智能制造和人工智發展的重要環節，基于機器視覺的腐蝕檢測技術的可靠性需要高準確度的圖像智能識別算法來保證。近年來，基于深度學習的圖像識別技術飛速發展，深度學習在目標檢測、目標分割等問題上取得技術突破[25-26]，使對圖像信息進行客觀、快速、準確評價成為可能，深度學習的機器視覺方法（機器學習方法）已應用于醫療、能源、制造、交通等各個領域。FICZERE等[27]基于機器學習方法研究了包衣片膜層厚度實時測量和缺陷識別技術，其中采用深度學習YOLOv5數據增強算法對5類缺陷片劑圖像進行識別，分類準確率達到98.2%。RUGGIERI等[28]利用機器學習方法對橋梁結構件進行缺陷檢測研究，首先對橋梁缺陷（裂紋、鋼筋銹蝕、蜂窩等）數據集進行篩選，建立數據庫，并由領域專家按照相關標準對缺陷進行分類，然后對數據庫進行卷積神經網絡訓練，結果表明，該方法對于自動識別橋梁缺陷和損傷具有良好有效性和準確性。FU等[29]全面總結了機器學習算法在激光增材制造領域缺陷識別方面的應用，其中，應用人工神經網絡模型和卷積網絡模型對圖像進行訓練，對金屬表面氣孔、裂紋、表面織構等的檢出率均達到95%以上。以上研究結果表明，深度學習的機器視覺技術可有效識別缺陷，為腐蝕缺陷的智能識別提供可靠保證。 

目前，對獲取的腐蝕圖像信息進行識別與處理也是國內外的研究重點。PIDAPARTI等[30]運用無損檢測技術獲取了飛行器結構腐蝕區域的圖像并進行小波分解，用聚類分析的方法對從圖像中得到的小波參數進行分類，從而識別了發生腐蝕的區域進。CARVALHO等[31]利用人工神經網絡模型對管道焊縫外腐蝕、內腐蝕和未熔透三種缺陷類型的漏磁信號進行識別，將1 025個漏磁點檢測的數字信號作為人工神經網絡模型輸入，并對信號進行預處理，結果表明，人工神經網絡模型對非缺陷信號和缺陷信號分類準確率達到94.2%，對腐蝕缺缺陷分類準確率達到92.5%。SHEIRH等[32]將加速腐蝕試驗中的聲發射信號檢測與機器學習相結合，預測了腐蝕的嚴重程度，首先以高頻采樣頻率采集聲發射信號，然后運用不同機器學習方法對聲發射信號平均值、均方根值、能量和峰度等特征值進行訓練，通過與依據加速腐蝕試驗質量損失劃分的5種腐蝕等級進行對比，運用樸素貝葉斯、BP-NN（反向傳播神經網絡）和RBF-NN（徑向基函數神經網絡）進行腐蝕等級預測，準確率分別為90.4%、94.57%和100%。 

閆占霄[33]研究了機器學習方法在飛機蒙皮損傷識別上的應用，結果表明支持向量機在訓練樣本較少的情況下準確率加高，隨著樣本數量增加，辛群分類器更有優勢。ZHANG等[34]采用機器學習方法對井控設備進行了腐蝕缺陷識別與風險評估，首先建立了一種改進的K近鄰算法（KNN）腐蝕缺陷分類與識別模型，并根據該模型輸出的腐蝕類型，對井控管線的腐蝕風險進行了評價，結果表明該改進算法對井控管線腐蝕類型的識別具有較高的精度，且計算速度優于本文其他算法。 

綜上所述，機器視覺產品和深度學習等智能算法的發展均為基于機器視覺的腐蝕檢測技術提供了良好基礎，但目前已經應用于航空裝備表面腐蝕缺陷檢測的成熟產品不多。這主要是由于基于機器視覺的立體相機技術在飛機、發動機等航空裝備上的腐蝕檢測研究尚處于起步階段，目前正在進行設備的研發。此外，對航空材料腐蝕缺陷進行識別和評價的智能算法也尚處于研究階段。中國航發北京航空材料研究院自主研發了適用于航空材料表面腐蝕檢測的激光立體相機，如圖2所示，該相機能夠實現對腐蝕缺陷的智能識別，但相關算法軟件的圖像處理能力仍有待進一步提升。 

圖  2  航空裝備表面腐蝕檢測用便攜式激光立體相機

Figure  2.  Portable laser stereo camera for surface corrosion detection of aviation equipment

2.3   基于機器視覺的腐蝕檢測技術發展趨勢

2.3.1   深度學習算法在腐蝕損傷智能檢測及評價的深度應用

航空裝備在嚴酷海洋環境中服役時，不同材料發生的腐蝕損傷類型多樣、形式復雜，這制約了機器視覺技術在腐蝕檢測中的應用。其關鍵問題是如何運用基于深度學習的圖像識別技術，實現腐蝕缺陷與非腐蝕缺陷的精準區分以及不同類型腐蝕缺陷的智能識別和評價。因此，進一步研發和優化腐蝕損傷智能識別算法，提高模型泛化能力是重要研究方向。 

2.3.2   腐蝕數據庫專家咨詢系統的建立

將腐蝕圖像信息定量化處理，建立數據庫，在此基礎上建立腐蝕等級智能評估及專家咨詢系統，實現裝備材料腐蝕程度的精準預測、自動評估、自動安排計劃等，是腐蝕檢測智能化水平的重要標志。 

智能化   小型化腐蝕檢測設備的集成

機器視覺系統應向小型化、高穩定性、高集成度的嵌入式機器視覺系統方向發展。研發適合外場使用、可視化、便攜式、智能化的腐蝕檢測設備是未來的重要趨勢。 

3.   結束語

無論是超聲、渦流、射線等常規檢測技術還是具有廣闊應用前景的機器視覺技術，均由無損檢測向無損評價方向發展。應用于航空裝備表面的腐蝕檢測，不但要探測到腐蝕缺陷的位置、大小、性質，還應對腐蝕過程的發展、對材料結構性能和壽命的影響進行預測和綜合評價。隨著計算機、人工智能等技術的飛速發展，將機器學習等方法應用于腐蝕缺陷檢測中，為實現腐蝕缺陷的智能識別和等級評價提供了堅實基礎。

文章來源——材料與測試網