飞机装配过程中的铆接质量检验工序是飞机生产的关键环节,其装配的铆钉质量好坏直接影响飞机的寿命及性能。目前,在生产车间中,蒙皮铆钉缺陷检测主要依靠专业技术人员采用人工抽检和简单仪器测量的方式,检测效率低且漏检误差大,已经不能满足自动化检测系统的需求。本文分别从蒙皮铆钉的几何尺寸及表面缺陷两方面对蒙皮铆钉的质量检测技术展开研究。本文的主要研究工作包括以下几个部分:(1)分析了飞机蒙皮铆钉的铆接原理及现有的质量检测技术,详细描述了目标检测算法的原理和实现方法。本文从基本理论出发,首先介绍了基于深度学习的目标检测算法,然后介绍了以Hough变换为基础的圆检测算法。并对机器学习分类器进行了说明,介绍了支持向量机和逻辑回归两种分类算法,为后文中的蒙皮铆钉表面缺陷分类识别提供理论依据。(2)本文针对飞机蒙皮铆钉几何尺寸的检测问题,对蒙皮铆钉的圆心和半径测量方法进行了研究与分析。在随机Hough变换圆检测算法中,蒙皮铆钉几何尺寸检测具有不确定性,容易产生无效积累并且检测误差大。本文改进了一种基于模糊集随机Hough变换的圆检测算法,该算法通过引入模糊集数学理论的方式来降低随机Hough变换圆检测算法对噪声的敏感性,可以更加准确地对图像中的圆进行定位,显著提高了圆的检测精度。(3)本文针对飞机蒙皮铆钉表面缺陷的检测问题,对蒙皮铆钉表面的腐蚀缺陷展开了研究与分析。在传统的K-means聚类算法中,蒙皮铆钉腐蚀区域的分割效果极不稳定,误判率高。本文提出了均值标准差K-means法对蒙皮铆钉腐蚀区域进行分割,通过计算样本均值和标准差的方式确定初始集群中心,大大提高了分割的准确性。在此基础上,结合了灰度共生矩阵算法对腐蚀区域的特征参数进行提取。通过比对SSD(Single Shot Multi Box Detector)目标检测算法和支持向量机分类算法在蒙皮铆钉腐蚀缺陷检测任务中的准确率,发现支持向量机精度更高,速度更快,对于样本量较少的数据集具有明显的优势。