机器视觉在航空行业已从“可选技术”变为“关键基础设施” 从场景分析到应用赋能的提升。

机器视觉在航空行业已从“可选技术”变为“关键基础设施”，其落地场景贯穿设计、制造、运营、维护全生命周期。下面从“现状概览”与“具体案例”两个维度进行归纳。

一、应用现状概览

1. 制造阶段
   • 视觉测量：用结构光/双目视觉对机翼、机身对接部位进行 0.01 mm 级位姿测量，取代传统工装定位。
   • 视觉引导：机器人根据实时视觉反馈完成铆接、涂胶、紧固件安装，人工干预减少 70 % 以上。
   • 缺陷检测：在复材蒙皮、发动机叶片工位部署 AI 视觉，实时发现裂纹、缺胶、划痕，漏检率降至 0.1 %。

2. 运营/维护阶段
   • 无人机+视觉的“绕机检查”已在多家 MRO 机构常态化，检查一架窄体机由 2 小时缩短到 15 分钟。
   • 机场跑道 FOD（异物）监测系统 7×24 在线，深圳机场试点表明误报率 < 3 %。
   • 基于数字孪生的“预测性维护”正与视觉检测数据融合，实现从“定时检修”向“视情维修”过渡。

3. 飞行试验与空域管理
   • 高速摄像机以 10 000 fps 记录火箭级间分离、飞机投弹姿态，为 CFD 模型校准提供高保真数据。
   • 部分机场正在测试“视觉着陆辅助系统”，在 ILS 失效或低能见度下用摄像头实时计算飞机与跑道入口的相对位置，作为冗余备份。

二、具体案例拆解

表格

复制

案例	技术方案	效果与数据	来源
汉莎技术飞机蒙皮检测	无人机搭载 1.2 亿像素相机 + YOLOv8 缺陷模型	单架 A320 检查时间由 120 min ↓ 15 min；裂纹检出率 99.3 %
深圳机场跑道异物监测	跑道两侧 24 台 4K 相机 + 边缘 AI 盒子	异物识别精度 95 %，平均告警延迟 < 2 s
涡轮转子“零缺陷”装配线	5 组协作机器人 + 8 台 500 mm 远心镜头	叶片漏装率 0；装配节拍 6 min/级 ↓ 2.5 min/级
菲特 3D 扫描叶片检测	蓝光 3D 扫描 + AI 比对	单件扫描 2-4 min；尺寸偏差检出阈值 0.02 mm
神舟十八号返回舱着陆监测	高速摄像机 10 000 fps + 数字图像相关法	成功捕获 20 ms 级降落伞展开过程，为结构改进提供关键数据

三、趋势展望
• “多模态”融合：视觉+毫米波+红外同步采集，解决夜间/雨雾场景的缺陷检测盲区。
• 小样本学习：针对航空罕见缺陷（如复合材料分层），正采用 Few-shot Learning 降低对大规模标注数据的依赖。
• 机载视觉：部分新研飞机在襟翼、起落架舱内嵌入微型视觉节点，实现“在飞状态”实时自检，预计 2026 年进入适航验证。

*“航空蒙皮裂纹检测”**的 Python 示例（基于 YOLOv8），

复制

1. 缺陷检测（裂纹/划痕）
   场景：灰度金属表面，检测裂纹或划痕。
   思路：传统方法（Canny + 形态学 + 轮廓）即可快速验证；如数据量大再迁移到深度学习。

Python

复制

# detect_crack.py
import cv2
import numpy as np

def detect_crack(img_path, save_path="crack_out.jpg"):
    img = cv2.imread(img_path, 0)          # 灰度读取
    blur = cv2.GaussianBlur(img, (5, 5), 0)
    edges = cv2.Canny(blur, 50, 150)       # 边缘
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 15))
    dilate = cv2.dilate(edges, kernel, 1)  # 纵向增强
    contours, _ = cv2.findContours(dilate, cv2.RETR_EXTERNAL,
                                   cv2.CHAIN_APPROX_SIMPLE)

    out = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
    for c in contours:
        area = cv2.contourArea(c)
        if area < 100:                     # 过滤噪声
            continue
        x, y, w, h = cv2.boundingRect(c)
        cv2.rectangle(out, (x, y), (x+w, y+h), (0, 0, 255), 2)
    cv2.imwrite(save_path, out)
    print("done, result saved to", save_path)

if __name__ == "__main__":
    detect_crack("metal_surface.jpg")

运行：

bash

复制

pip install opencv-python
python detect_crack.py

输入：metal_surface.jpg（800×600 左右灰度或彩色金属图）。
输出：crack_out.jpg（红框标注裂纹）。

---

1. 尺寸测量（机翼对接缝隙宽度）
   场景：已知相机内参，拍摄一条缝隙，计算物理宽度。
   思路：单目像素→物理比例标定，再测量缝隙像素宽度。

Python

复制

# gap_measure.py
import cv2
import numpy as np

# 标定：已知缝隙实际宽度 2 mm，对应像素 80 px
PX_PER_MM = 80 / 2.0   # 40 px/mm

def measure_gap(img_path):
    img = cv2.imread(img_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    edges = cv2.Canny(gray, 50, 150)
    lines = cv2.HoughLinesP(edges, 1, np.pi/180, 50,
                            minLineLength=50, maxLineGap=10)
    # 取最长线段作为缝隙方向
    longest = max(lines, key=lambda x: np.linalg.norm((x[0]-x[2], x[1]-x[3])))
    x1, y1, x2, y2 = longest[0]
    px_length = np.hypot(x2-x1, y2-y1)
    mm = px_length / PX_PER_MM
    cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
    cv2.putText(img, f"{mm:.2f} mm", (x1, y1-10),
                cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)
    cv2.imwrite("gap_result.jpg", img)
    print("gap width = %.2f mm" % mm)

if __name__ == "__main__":
    measure_gap("wing_gap.jpg")

运行：

bash

复制

python gap_measure.py

提示：先用尺子拍一张 2 mm 缝隙图，量出像素值修改 PX_PER_MM，再测未知图。

---

1. 目标识别/跟踪（跑道异物 FOD）
   场景：机场跑道定点摄像头，实时检测小石块、螺母等异物。
   思路：YOLOv8 检测 + DeepSORT 跟踪。

Python

复制

# fod_track.py
from ultralytics import YOLO
from deep_sort_realtime.deepsort_tracker import DeepSort
import cv2

model = YOLO("yolov8n.pt")            # 或训练好的 best.pt
tracker = DeepSort(max_age=5, n_init=2)

cap = cv2.VideoCapture("runway.mp4")  # 或 rtsp:// 摄像头
while cap.isOpened():
    ok, frame = cap.read()
    if not ok:
        break
    results = model.predict(frame, conf=0.3, classes=[0, 25, 39])  # 人、背包、手提箱
    dets = []
    for r in results[0].boxes:
        x1, y1, x2, y2 = r.xyxy[0].cpu().numpy()
        conf = r.conf[0].cpu().numpy()
        dets.append([[x1, y1, x2, y2], conf])
    tracks = tracker.update_tracks(dets, frame=frame)
    for t in tracks:
        if not t.is_confirmed():
            continue
        x1, y1, x2, y2 = map(int, t.to_ltrb())
        cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2)
        cv2.putText(frame, f"{t.track_id}", (x1, y1-5),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
    cv2.imshow("FOD Track", frame)
    if cv2.waitKey(1) & 0xFF == 27:
        break
cap.release()
cv2.destroyAllWindows()

安装：

bash

复制

pip install ultralytics deep-sort-realtime opencv-python

准备：一段 1920×1080 的跑道视频；若想检测螺母等自定义类别，用 YOLOv8 训练 50 张图即可得到 best.pt，再替换模型路径。

---

1. 3D 重建（叶片扫描）
   场景：用单相机 + 旋转台拍摄叶片一周，离线重建 3D 点云。
   思路：OpenCV 自带 Structure from Motion (SfM)，无需深度相机。

Python

复制

# blade_sfm.py
import cv2, glob, numpy as np

images = sorted(glob.glob("blade/*.jpg"))
detector = cv2.SIFT_create()
matcher = cv2.BFMatcher(cv2.NORM_L2, crossCheck=False)

# 提取所有图像特征
kps, descs = [], []
for img_path in images:
    img = cv2.imread(img_path, 0)
    kp, des = detector.detectAndCompute(img, None)
    kps.append(kp)
    descs.append(des)

# 匹配两两图像
idx1, idx2 = 0, 5  # 任选两张做演示
matches = matcher.knnMatch(descs[idx1], descs[idx2], k=2)
good = [m for m, n in matches if m.distance < 0.7*n.distance]

# 计算 Fundamental 矩阵并筛选匹配
pts1 = np.float32([kps[idx1][m.queryIdx].pt for m in good])
pts2 = np.float32([kps[idx2][m.trainIdx].pt for m in good])
F, mask = cv2.findFundamentalMat(pts1, pts2, cv2.FM_RANSAC, 1.0, 0.99)
pts1 = pts1[mask.ravel()==1]
pts2 = pts2[mask.ravel()==1]

# 三角测量
K = np.array([[800, 0, 640], [0, 800, 360], [0, 0, 1]])  # 相机内参
E, _ = cv2.findEssentialMat(pts1, pts2, K, method=cv2.RANSAC, prob=0.999, threshold=1.0)
_, R, t, _ = cv2.recoverPose(E, pts1, pts2, K)
P1 = K @ np.hstack([np.eye(3), np.zeros((3,1))])
P2 = K @ np.hstack([R, t])
points4D = cv2.triangulatePoints(P1, P2, pts1.T, pts2.T)
points3D = points4D[:3] / points4D[3]

# 保存点云
np.savetxt("blade.xyz", points3D.T)
print("Saved blade.xyz, open with CloudCompare/MeshLab")

运行：

bash

复制

pip install opencv-contrib-python numpy glob2
python blade_sfm.py

准备：手机固定拍叶片 20-30 张不同角度，放 blade/ 文件夹，内参需用棋盘格标定后替换 K。若要完整 360° 重建，可用 COLMAP/MVE 一键 SfM，再导入 MeshLab。

---

小结
• 缺陷检测：传统图像处理即可跑通，数据量大再转深度模型。
• 尺寸测量：先像素标定，再几何计算。
• FOD 跟踪：YOLO + DeepSORT 在 1080p 上可达 30 FPS（RTX3060）。
• 3D 重建：SfM 无硬件成本，精度 0.1-0.5 mm（取决于标定）。

1. 缺陷检测（detect_crack.py）

表格

复制

步骤	规则说明
准备	1. 收集 20 张以上金属/复材表面照片（裂纹、划痕为正样本，无缺陷为负样本）。
标定	可选：若用传统方法无需标注；若转深度学习，用 Labelme 画多边形，导出 JSON。
运行	python detect_crack.py --input data/raw/xxx.jpg --output results/
验证	打开 results/crack_out.jpg，红框即为检出缺陷；漏检→调低 Canny 低阈值或换深度模型。
维护	每月追加 10 张现场新缺陷图，重新训练 YOLO → 替换 best.pt；传统方法则更新面积阈值。

---

1. 尺寸测量（gap_measure.py）

表格

复制

步骤	规则说明
准备	1. 打印 100 mm 标准标尺贴在工作台；
标定	运行 python tools/calibrate.py --image calib.jpg --real 100，得到 px_per_mm.json。
运行	python gap_measure.py --image wing_gap.jpg --calib px_per_mm.json
验证	用游标卡尺实测同一条缝隙，误差 ≤0.1 mm 为通过；>0.1 mm 重新标定。
维护	每季度检查相机是否移位，若移位 >2 mm 需重拍 calib.jpg。

---

1. 跑道异物 FOD 跟踪（fod_track.py）

表格

复制

步骤	规则说明
准备	1. 摄像头：海康 4K 枪机，固定俯角 30°；
标注	用 CVAT 标注 2000 张，类别 FOD，导出 YOLO 格式 → data/fod.yaml。
训练	yolo train data=fod.yaml model=yolov8n.pt epochs=50 imgsz=1280
运行	python fod_track.py --source rtsp://admin:pwd@192.168.1.100 --weights runs/train/exp/weights/best.pt
验证	现场投放 10 个异物（螺母 5 mm-30 mm），系统需在 3 s 内告警，漏报 ≤1 个。
维护	每半年用新季节光照视频增量训练 10 epoch；边缘盒子固件 OTA 更新。

---

1. 3D 叶片重建（blade_sfm.py）

表格

复制

步骤	规则说明
准备	1. 单反/手机固定在三脚架；
标定	打印 9×6 棋盘格，用 python tools/calib_camera.py --pattern 9x6 --size 20mm，得到 K.yaml。
运行	python blade_sfm.py --images blade/ --intrinsics K.yaml
验证	用卡尺量叶片最大弦长，与重建模型 MeshLab 测量值误差 ≤0.5 %。
维护	若换镜头或焦距，必须重新标定 K.yaml。

---

通用运维 checklist
✅ 所有脚本加 --help 查看参数
✅ 日志统一写到 logs/YYYY-MM-DD.log
✅ 异常退出时自动邮件到 ops@company.com
✅ Docker 镜像：docker run -v $(pwd)/data:/app/data ghcr.io/xxx/vision:1.0

# 安装依赖：pip install ultralytics opencv-python
from ultralytics import YOLO
import cv2

# 1. 加载预训练模型（官方YOLOv8n或自己训练的裂纹检测模型）
model = YOLO("yolov8n.pt")  # 替换为你的 best.pt

# 2. 推理单张图片
img_path = "aircraft_skin.jpg"
results = model.predict(source=img_path, conf=0.25, save=True)

# 3. 解析结果并画框
for r in results:
    im_array = r.plot()  # 返回带标注的BGR numpy数组
    cv2.imshow("Crack Detection", im_array)
    cv2.imwrite("result.jpg", im_array)
    cv2.waitKey(0)