，，，,3，,3

(1.中國(guó)科學(xué)院 上海技術(shù)物理研究所，上海 200083；2.中國(guó)科學(xué)院大學(xué)，北京 100049； 3.上?？茖W(xué)技術(shù)大學(xué)，上海 201210)

0 引言

隨著“工業(yè)4.0”等與智能制造相關(guān)的概念被提出，未來(lái)智能制造業(yè)主要分為“智能實(shí)驗(yàn)室/工廠”及“智能生產(chǎn)”兩大主題[1]?！笆濉敝衅谝詠?lái)，智能制造成為未來(lái)十年我國(guó)制造業(yè)轉(zhuǎn)型升級(jí)的發(fā)展方向[2]，而航空制造業(yè)是先進(jìn)制造技術(shù)領(lǐng)航領(lǐng)域，智能實(shí)驗(yàn)室作為未來(lái)航天產(chǎn)品制造基礎(chǔ)設(shè)施，其智能化是必然。航天產(chǎn)品研發(fā)工藝復(fù)雜，產(chǎn)品多屬于單件生產(chǎn)，技術(shù)狀態(tài)要求嚴(yán)格，容易因制造工藝及控制方法的限制或人工操作失誤等將導(dǎo)線段、焊錫飛濺物、墊圈、螺母甚至毛發(fā)[3]等封裝在產(chǎn)品內(nèi)部形成多余物，造成設(shè)備短路或誤動(dòng)作從而導(dǎo)致航天器發(fā)射失敗或失效。多余物產(chǎn)生的原因和環(huán)境不同，造成了其突發(fā)性和隨機(jī)性，因此很難被檢測(cè)和控制。早在20世紀(jì)60年代就有因多余物造成的事故，表1為多余物引發(fā)事故部分匯總。

由于航空航天領(lǐng)域的保密特性，未完全統(tǒng)計(jì)由多余物產(chǎn)生的航天故障，但多余物產(chǎn)生的危害可見(jiàn)一斑。多余物的檢測(cè)和控制是確保航天型號(hào)安全性和可靠性以及國(guó)防武器裝備系統(tǒng)完整性的重要環(huán)節(jié)。對(duì)近幾十年來(lái)國(guó)內(nèi)外研究成果進(jìn)行了綜述，以期為該領(lǐng)域研究工作提供參考，并在此基礎(chǔ)上尋求新的探索和發(fā)現(xiàn)。

1 多余物檢測(cè)技術(shù)研究現(xiàn)狀及發(fā)展趨勢(shì)

1.1 常用技術(shù)簡(jiǎn)介

航天產(chǎn)品生產(chǎn)過(guò)程復(fù)雜，多余物形成機(jī)理、存在環(huán)境以及大小材質(zhì)等不同，有不同的檢測(cè)方法，如表2。多余物檢測(cè)的首要問(wèn)題是定義，在航天產(chǎn)品中，多余物定義為設(shè)計(jì)文件、工藝文件和標(biāo)準(zhǔn)文件規(guī)定之外的一切遺留物品，其中較大質(zhì)量多余物檢測(cè)和清除較為容易，小質(zhì)量多余物是檢測(cè)難點(diǎn)。X射線照相法采用X射線照射電子產(chǎn)品以檢測(cè)內(nèi)部多余物，僅針對(duì)密封器件內(nèi)可對(duì)X光成像的多余物，航天產(chǎn)品結(jié)構(gòu)復(fù)雜，某些可穿透多余物無(wú)法被檢測(cè)出來(lái)，且X光片圖像處理難度大，該方法應(yīng)用較少。文獻(xiàn)[8]提出了一種改進(jìn)型MARTRA方法，準(zhǔn)確度達(dá)到10%，可作為PIND的補(bǔ)充，但僅針對(duì)密封電子器件內(nèi)游離的多余物，因測(cè)試條件單一，試驗(yàn)周期長(zhǎng)，靈敏度低而為在多余物檢測(cè)中得到重視；目前美國(guó)宇航局提出的顆粒碰撞噪聲檢測(cè)(particle impact noise detection，PIND)[9-10]法因其成本低廉、工藝成熟、操作簡(jiǎn)便、檢測(cè)率高而被廣泛應(yīng)用并不斷改進(jìn)。

表1 多余物引發(fā)的航天事故部分匯總

表2 多余物檢測(cè)方法匯總表格

國(guó)外的PIND方法起步較早，1994年，L.J.Scaglione[11]提出了將BP神經(jīng)網(wǎng)絡(luò)和自組織神經(jīng)網(wǎng)絡(luò)應(yīng)用到PIND多余物檢測(cè)，精確度高達(dá)98%以上，但因數(shù)據(jù)龐大及BP神經(jīng)網(wǎng)絡(luò)本身的一些缺陷，之后的研究進(jìn)入了瓶頸期。20世紀(jì)90年代后國(guó)外的研究重點(diǎn)轉(zhuǎn)移到從生產(chǎn)源頭上控制多余物，這與本文的研究目的不謀而合。目前國(guó)內(nèi)的PIND多余物研究主要集中在哈爾濱工業(yè)大學(xué)，文獻(xiàn)[3]提出多傳感器特征層融合方法，采用非負(fù)張量(NTF)提取特征，對(duì)0.5 mg多余物檢測(cè)準(zhǔn)確率達(dá)87%；文獻(xiàn)[12]針對(duì)正弦振動(dòng)試驗(yàn)頻率難以確定問(wèn)題提出一種隨機(jī)振動(dòng)的PIND方法，對(duì)軍用電子器件中0.02 mg以上的多余物其檢測(cè)率達(dá)到90%以上。此外還有很多改進(jìn)PIND方法對(duì)多余物檢測(cè)做出了貢獻(xiàn)。但航天產(chǎn)品結(jié)構(gòu)復(fù)雜、信號(hào)畸變嚴(yán)重、小質(zhì)量高粘度多余物信號(hào)微弱、數(shù)據(jù)龐大等導(dǎo)致了計(jì)算復(fù)雜性。

且PIND方法在碰撞過(guò)程有可能破壞設(shè)備內(nèi)部的接插件從而形成新的多余物或?qū)?nèi)壁造成損傷。此外，前述幾種方法均面向零器件級(jí)如繼電器、集成電路、發(fā)動(dòng)機(jī)等，在器件密封后進(jìn)行的“終點(diǎn)”檢測(cè)，大多依賴人工，未能面向航天產(chǎn)品智能制造過(guò)程中多余物在線源頭監(jiān)測(cè)。今后多余物檢測(cè)將從面向電子元器件到航天電子設(shè)備轉(zhuǎn)變[13]。

1.2 機(jī)器視覺(jué)多余物檢測(cè)

針對(duì)小質(zhì)量多余物信號(hào)微弱難以檢測(cè)的問(wèn)題，華中科技大學(xué)提出了基于視覺(jué)的零器件多余物成像檢測(cè)。陳靜[14]基于模式識(shí)別提出一種顯著性元器件多特征序貫融合檢測(cè)算法,對(duì)4類器件進(jìn)行多余物成像檢測(cè)，檢測(cè)率為85.3%～94.6%。李旭[15]提出了器件多余物成像檢測(cè)系統(tǒng)七層模型，針對(duì)三種顯著幾何幾元器件多余物進(jìn)行檢測(cè)，檢測(cè)率達(dá)到90.6%以上。彭濤[16]根據(jù)數(shù)據(jù)庫(kù)中多余物的模型信息，采用邊緣位置匹配算法識(shí)別定位艙體中可能存在的多余物如螺母。

基于機(jī)器視覺(jué)的多余物檢測(cè)相關(guān)文獻(xiàn)屈指可數(shù)，且都是面向零器件級(jí)。本文加以借鑒，更強(qiáng)調(diào)航天產(chǎn)品智能制造過(guò)程中多余物控制機(jī)器視覺(jué)在線檢測(cè)方法。機(jī)器視覺(jué)目標(biāo)識(shí)別技術(shù)基于數(shù)字圖像分析，結(jié)合人工智能、虛擬現(xiàn)實(shí)等知識(shí)[17]，被廣泛應(yīng)用在工業(yè)制造、航天、醫(yī)療等諸多領(lǐng)域。智能制造隨著“中國(guó)制造2025”的提出而蓬勃發(fā)展[18]，“智能基于信息，智能寓于系統(tǒng)”[19]，智能實(shí)驗(yàn)室通過(guò)信息化和數(shù)字化獲得系統(tǒng)集成化、過(guò)程自動(dòng)化、決策智能化和服務(wù)主動(dòng)化[19]等特征。其現(xiàn)階段面臨著三個(gè)問(wèn)題：1)物理實(shí)體信息獲取要素;2)通過(guò)語(yǔ)義理解建立檢測(cè)和評(píng)價(jià)模型;3)智能決策[1]。相應(yīng)的機(jī)器視覺(jué)多余物控制系統(tǒng)，包括:圖像獲取、多余物檢測(cè)和評(píng)價(jià)、智能抓取。多余物檢測(cè)是控制的基礎(chǔ)，作為智能實(shí)驗(yàn)室的“眼睛”，實(shí)時(shí)監(jiān)控多余物產(chǎn)生的“源頭”保證實(shí)驗(yàn)室“清潔”。機(jī)器視覺(jué)方法作為一種不接觸、不引入人為因素的無(wú)損檢測(cè)方法，側(cè)重于航天產(chǎn)品生產(chǎn)過(guò)程中的實(shí)時(shí)監(jiān)測(cè)。目前智能制造中沒(méi)有涉及到多余物的機(jī)器視覺(jué)在線控制，而現(xiàn)有的多余物檢測(cè)方法也不完全符合智能制造過(guò)程控制的特征。因此機(jī)器視覺(jué)多余物在線控制系統(tǒng)亟待系統(tǒng)化、自動(dòng)化、智能化。

2 多余物機(jī)器視覺(jué)方法分類及難點(diǎn)分析

從數(shù)據(jù)來(lái)源和圖像處理的角度將多余物檢測(cè)問(wèn)題劃分如表3。相對(duì)簡(jiǎn)單背景，復(fù)雜背景某些區(qū)域可能包括難以與多余物區(qū)分的正常物體或存在遮擋、人與多余物的互動(dòng)等；按多余物尺度/形狀可分為較大質(zhì)量多余物/規(guī)則多余物(如扳手、螺母等)與小質(zhì)量多余物/不規(guī)則多余物(如焊錫飛濺物、毛發(fā))；數(shù)據(jù)來(lái)源有靜止圖片目標(biāo)和視頻序列數(shù)據(jù)。按照處理依據(jù)可劃分為單圖像處理和機(jī)器學(xué)習(xí)方法；相應(yīng)的在算法選擇上可以采用傳統(tǒng)圖像分析進(jìn)行簡(jiǎn)單背景下的較大多余物檢測(cè)，或通過(guò)樣本學(xué)習(xí)實(shí)現(xiàn)復(fù)雜背景下的較小多余物分類識(shí)別。

根據(jù)表3對(duì)智能制造過(guò)程中多余物視覺(jué)在線檢測(cè)面臨的難點(diǎn)進(jìn)行分析。

表3 多余物檢測(cè)問(wèn)題分類

1)數(shù)據(jù)庫(kù)的建立：多余物種類繁多、大小不一、材質(zhì)各異、產(chǎn)生環(huán)境復(fù)雜，沒(méi)有標(biāo)準(zhǔn)公共數(shù)據(jù)集。類內(nèi)和類間差異以及不同人對(duì)同一圖像的語(yǔ)義理解[20]也有所差異，其定義、分類、表示、提取等十分困難；

2)信息獲取要素：在航天產(chǎn)品智能制造過(guò)程中，拍攝角度、光照以及遮擋等因素導(dǎo)致圖像中多余物的表觀特征不是標(biāo)準(zhǔn)不變，這對(duì)圖像獲取條件提出了很高的要求；

3)計(jì)算復(fù)雜性和實(shí)時(shí)性：多余物的多樣性、特征描述子的維度及大量標(biāo)注數(shù)據(jù)的訓(xùn)練導(dǎo)致計(jì)算的復(fù)雜性，同時(shí)導(dǎo)致高維空間稀疏的特征描述[21]；此外，計(jì)算的復(fù)雜性導(dǎo)致時(shí)間上的大量占用，如何對(duì)算法進(jìn)行改進(jìn)以提高檢測(cè)率和檢測(cè)范圍，滿足實(shí)時(shí)性要求也是難點(diǎn)；

4)樣本數(shù)量：一方面多余物種類繁多導(dǎo)致數(shù)據(jù)冗雜，數(shù)據(jù)的采集、標(biāo)注、特征提取都十分困難,而機(jī)器學(xué)習(xí)可以解決這一難題；另一方面，因航天產(chǎn)品不像流水作業(yè)，其都是單件生產(chǎn)，多余物樣本數(shù)量較少，深度學(xué)習(xí)多余物識(shí)別又面臨著樣本數(shù)量不足的問(wèn)題。

3 多余物控制機(jī)器視覺(jué)方法

根據(jù)上節(jié)的多余物檢測(cè)問(wèn)題分類與難點(diǎn)分析，視覺(jué)多余物檢測(cè)技術(shù)可大致分為傳統(tǒng)圖像處理和基于機(jī)器學(xué)習(xí)的目標(biāo)識(shí)別。

3.1 傳統(tǒng)圖像處理

基于圖像分析的多余物檢測(cè)主要采用模板匹配[16]或背景差分法[14-15]，如圖1所示。

圖1 基于圖像分析的多余物檢測(cè)

在航天產(chǎn)品智能制造中，多余物圖像存在光照、遮擋、旋轉(zhuǎn)、位移等變化，需先進(jìn)行參考圖像與實(shí)時(shí)圖像的配準(zhǔn)。圖像配準(zhǔn)包括基于區(qū)域互相關(guān)的配準(zhǔn)、基于變換域的配準(zhǔn)[22-23]和基于特征的配準(zhǔn)。

3.1.1 基于區(qū)域的匹配

也稱模板匹配，是在像素層面從一幅較大實(shí)時(shí)圖像中定位一幅給定的子圖像。模板匹配分為基于先驗(yàn)知識(shí)和無(wú)先驗(yàn)知識(shí)兩種。前者利用事先制定的模板作為基準(zhǔn)，直接搜索實(shí)時(shí)圖像中與其匹配的目標(biāo)。首先建立多余物模板數(shù)據(jù)庫(kù)，輸入圖像與數(shù)據(jù)庫(kù)中的模板逐一比較判斷是否有多余物。具體數(shù)學(xué)描述為：設(shè)檢測(cè)模板為令模板中心與圖像中某一像素重合，檢測(cè)與的重合部分相似度量，尋找最優(yōu)匹配。常用的相似度量有距離度量(包括馬氏距離、街區(qū)距離和Hausdorff距離)角度度量和相關(guān)度量。

為了降低計(jì)算復(fù)雜度，提高匹配的準(zhǔn)確性，Barnea[24]等人提出了序貫相似算法(SSDA)。吉書鵬[25]等人為了減少匹配算法的運(yùn)算量，利用幀間幀內(nèi)相關(guān)性提出了一種空間灰度多尺度分解算法。文獻(xiàn)[26]給出一種基于不相似性度量的基于模板匹配的多尺度小目標(biāo)檢測(cè)方法(AGADMM)。但是由于實(shí)時(shí)檢測(cè)時(shí)多余物形態(tài)與模板庫(kù)中的形態(tài)不一定相同，因此實(shí)時(shí)性較差[27]?；跓o(wú)先驗(yàn)知識(shí)的模板匹配，是在實(shí)時(shí)圖像序列初始圖像中截取目標(biāo)所在區(qū)域中固定大小的子區(qū)域(ROI)作為模板，以適應(yīng)不同狀態(tài)的目標(biāo)。但由于多余物的隨機(jī)性和突發(fā)性，ROI區(qū)域相應(yīng)地也具有不確定性，該方法并不適用直接進(jìn)行多余物模板匹配，但可以應(yīng)用在圖像配準(zhǔn)中。

3.1.2 基于特征的匹配

傅衛(wèi)平[28]等人提出一種融合SIFT特征、馬氏距離和仿射變換的匹配定位方法，其仿射參數(shù)均方誤差RMES最大不超過(guò)0.5，保證定位精度不低于一個(gè)像素且滿足實(shí)時(shí)性要求。Marko[29]等人首次提出將中心對(duì)稱的LBP(Local binary patterns)引入SIFT描述中(CS-LBP)，之后鄭永斌[30]對(duì)其進(jìn)行了改進(jìn)，提出融合SIFT和旋轉(zhuǎn)不變的LBP特征的圖像匹配算法。

3.1.3 基于變換域的匹配

頻域特征因其平移、旋轉(zhuǎn)、尺度變特性而在圖像匹配中得到廣泛關(guān)注，如Hongjie Xie[22]等人實(shí)現(xiàn)了一種基于FFT的圖像自動(dòng)配準(zhǔn)并成功應(yīng)用到ENVI(ENvironment for Visualizing Images)中。Nicolai Gotze[23]用Fast-Fourier Mellini變換描述了一種尺度、方向、位移不變的目標(biāo)識(shí)別方法等。

視覺(jué)多余物檢測(cè)中，在平穩(wěn)簡(jiǎn)單背景下，提出基于圓、單直線和直線集合三種器件顯著幾何特征匹配[15]；文獻(xiàn)[14]認(rèn)為相比多余物的多樣性，背景更加穩(wěn)定，因此提出復(fù)雜背景區(qū)域顯著多特征序貫融合識(shí)別算法，采用類內(nèi)-類間距離之比定義顯著性度量，并依此賦予特征先驗(yàn)概率以識(shí)別顯著區(qū)域。多特征融合策略相比單一特征具有顯著優(yōu)越性，文獻(xiàn)[26]也認(rèn)為未來(lái)應(yīng)更關(guān)注多級(jí)特征模型，以提高多尺度小目標(biāo)檢測(cè)方法的有效性。為了防止噪聲點(diǎn)造成的虛警，文獻(xiàn)[14-15]均采用了基于不相似性度量的均值反差濾波法[31]檢測(cè)殘差圖像中的灰度奇異區(qū)域，對(duì)小目標(biāo)有較好的濾波效果。其他背景濾波法不一一贅述。

3.2 機(jī)器學(xué)習(xí)多余物檢測(cè)

基于機(jī)器學(xué)習(xí)的視覺(jué)多余物分類檢測(cè)技術(shù)目前涉及到的也只有寥寥幾筆。文獻(xiàn)[32]將IC互連中的多余物定義為一種缺陷，并采用BP神經(jīng)網(wǎng)絡(luò)對(duì)幾種缺陷進(jìn)行性分類檢測(cè)。航天產(chǎn)品智能制造過(guò)程中的多余物除了其本身及產(chǎn)生環(huán)境的特殊性，可借鑒機(jī)器視覺(jué)目標(biāo)識(shí)別技術(shù)進(jìn)行檢測(cè)。隨著人工智能(Artificial Intelligence，AI)的迅速崛起和視覺(jué)機(jī)制的研究不斷深入，機(jī)器視覺(jué)目標(biāo)檢測(cè)的應(yīng)用越來(lái)越廣泛，自動(dòng)視覺(jué)目標(biāo)檢測(cè)在高精度、非接觸和自動(dòng)化方面十分具有優(yōu)勢(shì)[33]。在過(guò)去的許多年里，機(jī)器學(xué)習(xí)的最佳應(yīng)用案例是“計(jì)算機(jī)視覺(jué)”，其中深度學(xué)習(xí)在圖像分類和目標(biāo)檢測(cè)中取得了許多突破性進(jìn)展。智能實(shí)驗(yàn)室中的復(fù)雜多尺度多余物在線分類識(shí)別，深度學(xué)習(xí)當(dāng)仁不讓。以下對(duì)目前廣泛采用的機(jī)器學(xué)習(xí)視覺(jué)檢測(cè)技術(shù)進(jìn)行闡述。

3.2.1 基于區(qū)域建議的目標(biāo)視覺(jué)檢測(cè)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)在目標(biāo)檢測(cè)上取得了很多進(jìn)展，Krizhevsky[34]等人將CNN模型應(yīng)用到ImageNet LSVRC-2010比賽中，進(jìn)行120萬(wàn)張圖像的1000個(gè)分類，取得top-1錯(cuò)誤率37.5%、top-5錯(cuò)誤率17%的結(jié)果。Girshick[35]提出了RCNN網(wǎng)絡(luò)將目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化為分類問(wèn)題。首先采用滑動(dòng)窗生成類別獨(dú)立的候選區(qū)域獲得目標(biāo)位置信息，用CNN對(duì)每個(gè)區(qū)域進(jìn)行固定長(zhǎng)度特征向量的提取，將特征輸入一對(duì)多線性SVM[36]對(duì)每個(gè)區(qū)域進(jìn)行分類。如圖2。

圖2 proposal+分類目標(biāo)視覺(jué)分類檢測(cè)

RCNN對(duì)所有region進(jìn)行特征提取時(shí)重復(fù)計(jì)算增大了時(shí)間空間復(fù)雜度，Girshick[37]在2015年ICCV上提出了Fast-RCNN，采納了SPPnet思想，將區(qū)域建議框設(shè)計(jì)在卷積操作之后，訓(xùn)練深度VG16網(wǎng)絡(luò)比R-CNN快9倍，比SPPnet快3倍。但其采用選擇性搜索算法[38]單獨(dú)生成regions時(shí)耗時(shí)嚴(yán)重，實(shí)時(shí)性差，因此Ren[39]等人提出了利用RPN(Region Proposal Network)融合Fast-RCNN構(gòu)成了端到端的目標(biāo)檢測(cè)框架(Faster-RCNN)，將regionproposal的工作也交給CNN來(lái)做，之后用Fast-RCNN做分類和region框的修正工作。在PASCAL VOC 2007上實(shí)現(xiàn)了最新的目標(biāo)檢測(cè)精度(73.2%mAP)。RCNN框架將目標(biāo)檢測(cè)轉(zhuǎn)化為對(duì)圖像局部區(qū)域的分類問(wèn)題，不能充分利用局部目標(biāo)在整體圖像中的上下文信息，由于丟失了細(xì)節(jié)信息，定位精度差，對(duì)小尺寸物體的檢測(cè)效果并不好，對(duì)多尺度多余物的檢測(cè)效果有待驗(yàn)證。

3.2.2 基于無(wú)區(qū)域建議的方法

基于無(wú)區(qū)域建議的網(wǎng)絡(luò)，主要是將目標(biāo)檢測(cè)轉(zhuǎn)化為回歸問(wèn)題求解，如Szegedy等[40]提出一種深度神經(jīng)網(wǎng)絡(luò)(DNN)，輸出對(duì)象邊界框二進(jìn)制掩碼，并判斷某像素是否位于給定的邊框內(nèi)從而精確定位。此外還有端到端的目標(biāo)檢測(cè)框架被提出如YOLO[41]、SSD[42]等。不同于RCNN基于圖像局部區(qū)域特征，YOLO將整幅圖像作為CNN的輸入，直接在輸出層預(yù)測(cè)boundingbox[40]的位置和類別信息。具體流程如圖3所示。

圖3 YOLO目標(biāo)檢測(cè)系統(tǒng)

將輸入劃分成的網(wǎng)格，對(duì)每個(gè)格子預(yù)測(cè)B個(gè)邊框和C個(gè)條件概率，每個(gè)邊框包含5個(gè)預(yù)測(cè)值，編碼成為維張量。該網(wǎng)絡(luò)借鑒了GoogleNet，有24個(gè)卷積層進(jìn)行特征提取，2個(gè)全連接層輸出預(yù)測(cè)概率。相比Fast-RCNN,雖然YOLO對(duì)相鄰目標(biāo)或成群小目標(biāo)定位效果較差，但其可以達(dá)到實(shí)時(shí)檢測(cè)的要求。SSD采用特征金字塔結(jié)構(gòu)，相比YOLO提高了mAP(平均達(dá)到75.1%)的同時(shí)也兼顧了實(shí)時(shí)性，在PASCAL VOC、MS COCO 和 ILSVRC 數(shù)據(jù)集上的實(shí)驗(yàn)顯示SSD比Fast-RCNN有明顯速度優(yōu)勢(shì)。此后還有YOLOv2[43]、YOLOv3[44]等改進(jìn)網(wǎng)絡(luò)的提出，在分類準(zhǔn)確率、召回率及實(shí)時(shí)性上進(jìn)行不斷改進(jìn)。其中YOLOv3經(jīng)驗(yàn)證可準(zhǔn)確實(shí)時(shí)檢測(cè)出視頻監(jiān)控中的人、車、傘甚至手機(jī)。實(shí)時(shí)性和準(zhǔn)確率十分可觀。

3.2.3 少量樣本目標(biāo)檢測(cè)

目前多余物并無(wú)標(biāo)準(zhǔn)數(shù)據(jù)集，而航天產(chǎn)品多單件生產(chǎn)，多余物樣本較少。少量樣本目標(biāo)識(shí)別工作通常是利用局部特征，文獻(xiàn)[45]提出了一種局部自適應(yīng)方向特征(LAS)，通過(guò)得到的圖像局部主方向信息進(jìn)行奇異值分解，用三個(gè)主方向分量表示局部特征，在此基礎(chǔ)上提出訓(xùn)練投票空間的少量樣本快速目標(biāo)檢測(cè)，實(shí)現(xiàn)LFW人臉數(shù)據(jù)集上的有效檢測(cè)，UIUC汽車數(shù)據(jù)集多尺度94.6%以上檢測(cè)率以及Walk數(shù)據(jù)集上平均95.1%的檢測(cè)率等。許夙暉[46]等針對(duì)樣本量小而導(dǎo)致的分類精度低問(wèn)題，結(jié)合非下采樣contourlet變換(NSCT)、DCNN以及多核支持向量機(jī)(MKSVM)，提出了一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)(MS-DCNN)的遙感圖像場(chǎng)景分類方法，對(duì)UCM_LandUse和HRSS兩個(gè)數(shù)據(jù)集的分類正確率分別達(dá)到91.34%和90.05%。

縱觀上述算法，在各自的檢測(cè)領(lǐng)域均取得的較好的處理效果，但是在航天產(chǎn)品智能制造過(guò)程多余物在線檢測(cè)方面的應(yīng)用還有很大的發(fā)展空間。

4 總結(jié)與展望

本文介紹了多余物在航空領(lǐng)域造成的危害，對(duì)現(xiàn)有多余物檢測(cè)技術(shù)的發(fā)展現(xiàn)狀及各自的特點(diǎn)進(jìn)行了梳理，并從智能制造過(guò)程控制的特點(diǎn)出發(fā)對(duì)比了視覺(jué)檢測(cè)方法與其他方法，在此基礎(chǔ)上對(duì)視覺(jué)多余物檢測(cè)問(wèn)題進(jìn)行了分類和難點(diǎn)分析，針對(duì)傳統(tǒng)方法和機(jī)器學(xué)習(xí)方法，均給出其核心思想。隨著2012年深度學(xué)習(xí)的爆發(fā)，許多基于深度學(xué)習(xí)的目標(biāo)視覺(jué)檢測(cè)方法陸續(xù)出現(xiàn)，并取得可觀成果。而同時(shí)當(dāng)小樣本遇上機(jī)器學(xué)習(xí)又會(huì)碰撞出怎樣的火花。多尺度小樣本多余物的檢測(cè)還有很大的研究前景，將自動(dòng)視覺(jué)在線檢測(cè)和機(jī)器學(xué)習(xí)應(yīng)用到航天產(chǎn)品智能制造過(guò)程中多余物自動(dòng)在線控制是對(duì)智能實(shí)驗(yàn)室自動(dòng)化進(jìn)程的有力推進(jìn)。