本技术涉及基于数字孪生的机动车高压油管多尺度缺陷视觉检测方法,属于机动车技术领域,解决现有缺陷检测算法计算复杂度高、效率和精度较低的问题。确定待检测机动车高压油管的物理实体并采集其环境信息;根据物理实体构建数字孪生体,其中高压油管三维模型构建模块构建高压油管三维模型,机动车高压油管运行环境模拟模块依据高压油管实时的载荷及所处环境温度数据对模型进行环境模拟,机动车高压油管缺陷演化预测模块利用智能缺陷检测算法识别模型每一时刻高压油管表面缺陷,得到缺陷的类别和位置信息及尺寸信息,还进行演化模拟和危险系数分析。本发明实现了对机动车高压油管表面缺陷的实时在线、高精度、高效率检测,提高高压油管使用寿命。
背景技术
在燃油汽车工作过程中,发动机是其关键零件之一,是汽车的核心动力源泉,而直接影响发动机工作效率的就是连接喷油泵与喷油器的发动机高压油管,发动机高压油管负责给发动机输送高压燃油。一旦高压油管出现故障问题例如出现漏油现象,轻者可能会导致发动机失效,重者会导致汽车自燃以及重大交通事故。由于高压油管要经常经历各种弯曲与拉伸的变形,需要承受多种变载荷以及突然的升温,其经常会出现点蚀、裂纹以及网状缺陷等类型的缺陷,在该种工作环境下,每一种缺陷都可能会引发重大的漏油事故,因此,在不影响发动机油管正常工作的条件下对其进行缺陷识别以及风险评估,对提高高压油管寿命、保障行驶安全有重大意义。
对于缺陷检测技术,随着机器视觉自动检测技术的发展,机器视觉检测逐渐取代传统的人工检测。机器视觉检测系统通过获取汽车油管表面图像,从而可以避免对汽车油管漆面造成损伤;并且视觉检测系统可以代替工人在复杂、危险的环境下工作,从而降低发生安全事故的概率;同时视觉自动检测系统还具有检测速度快、效率高、准确性稳定等优点。然而由于高压油管处于封闭的机械结构内,在其工作时难以对其表面和内部进行观察,因此难以实现对汽车发动机高压油管运行过程中的损伤变化进行实时监测。为了克服传统缺陷检测方法存在的限制,实现缺陷的实时监测,基于卷积神经网络(ConvolutionalNeural Network,CNN)的深度学习目标检测方法逐渐兴起,其通过自主学习获取图像深度特征以识别缺陷特征。发动机高压油管具有多种类、多尺度且形状不规则等特点,因此设计适合该种缺陷的检测算法,对高压油管的实时状态监测有重要意义。
然而现有的两阶段视觉检测算法计算复杂度较高,计算速度较慢;单阶段检测算法对于汽车发动机高压油管的多尺度、多种类及不规则形状的缺陷检测的精度较低,极易遗漏微小缺陷且容易混淆多种形状缺陷的边缘,难以精准对缺陷进行分类。
实现思路