基于深度学习的航空铆钉分类及异常情况检测

针对航空铆钉小目标检测准确率较低、速率较慢等问题,提出1种基于深度学习的航空铆钉分类及异常情况检测方法。首先,根据钉头外观对航空铆钉进行分类,制作航空铆钉数据集;然后,构建航空铆钉分类及异常情况检测模型;最后,从置信度、召回率r、精确率p、平均精度值AP、全类平均精度mAP等指标对检测结果进行评价,并将该算法与YOLOx-s、YOLOx-m、YOLOv5、YOLOv4检测结果进行对比。研究结果表明:该算法可以实现对航空铆钉的分类及异常情况检测,检测结果的置信度约为90%,精确率、召回率、AP值分别在95%,85%,88%以上;本文所涉及铆钉分类及异常情况检测效果由好到坏顺序依次为:开槽盘头自攻铆钉、十字槽头铆钉、半圆头铆钉、平头铆钉、沉头铆钉、抽芯铆钉、异常情况;与其他算法相比,基于深度学习的航空铆钉分类及异常情况的检测,其效果和速度均有一定优势。研究结果可为减小航空铆钉松动和脱落风险、减轻飞机重量、防止金属疲劳和提升飞行可靠性及稳定性提供参考。

基于机器视觉的航空铆钉尺寸检测技术

航空铆钉的尺寸偏差会增加航空事故发生的可能性。为了实现航空铆钉尺寸检测的高精度与智能化,提出一种基于机器视觉的航空铆钉尺寸检测方法。通过边缘检测算法对铆钉进行自动识别与检测,可减少航空铆钉尺寸的误差。基于航空铆钉产品规范,分析得出各项尺寸参数要求与事件流程,使用OpenCV作为开发平台,采用阈值分割算法与分水岭算法进行图像分割;同时,通过平滑处理、形态学、轮廓提取算法完成图像处理。实测结果表明,在±0. 005 mm精度下,铆钉尺寸检测结果与实际值的吻合度达到90%以上。

铆钉元件纯剪切失效特性研究

利用万能材料试验机开展了铆钉元件的纯剪切失效试验研究,得到铆钉的失效载荷与失效模式;并基于ABAQUS软件建立考虑压铆过程残余应力场的铆钉纯剪切失效有限元分析模型,通过与试验及理论计算结果的对比验证有限元模型的准确性。压铆过程形成的残余应力场对铆钉元件的剪切强度具有明显的强化效应。不考虑残余应力场时,铆钉元件的剪切失效载荷相比试验结果误差更大,达到13.50%。因此,在机械连接结构失效仿真分析中必须考虑残余应力场的影响。