集成視覺顯著性和群決策的航空零件孔特征檢測

田佳淳， 王 亮， 梅 標， 朱偉東

（1.浙江大學 工程師學院，浙江 杭州 310015；2.中航西安飛機工業集團股份有限公司，陜西 西安 710089；3.中國科學院 福建物質結構研究所 泉州裝備制造研究中心，福建 泉州 362100；4.浙江大學 機械工程學院，浙江 杭州 310058）

1 引 言

孔特征檢測是航空零件質量評估和航空結構件自動化精準制孔的重要環節。航空鈑金件自動化檢測時，孔特征檢測是計算孔邊距、孔間距等幾何尺寸的基礎；航空結構件自動化制孔時，基準孔檢測用于引導自動化制孔系統實現制孔位置修正［1］。傳統的人工檢測方法存在誤差大、復現性差、勞動強度大，難以適應數字化裝配制造需求等缺點。隨著機器視覺相關理論和技術的不斷發展，視覺測量技術憑借其非接觸、自動化等特點，在測量領域得到了廣泛的應用［2］。不過，在復雜工業生產環境中實現高效高精度的孔特征視覺檢測對所采用的檢測算法提出了更高要求。

目前，研究人員提出了多種航空零件孔檢測算法。張太恒等［3］提出了檢測復合材料圓孔的VGSR 算法，將紋理邊界引導和隨機圓檢測相結合實現多孔檢測，但該算法只適用于紋理邊界與圓邊界相吻合的場景。Yu 等［4］結合邊緣跟蹤和RANSAC 擬合算法實現了飛機壁板上的埋頭孔檢測，該算法在劃痕、毛刺、污漬下的抗噪性能較好，平均檢測時間在0.5 s 左右，時間成本較高。Lou 等［5］結 合SURF 和DBSCAN 算 法 對 飛 機 蒙皮上的遮擋基準孔進行區域分割，并利用Kmeans 聚類和橢圓幾何性質提取孔輪廓，最后基于最小二乘擬合輪廓。該方法具有不同光照條件下的檢測穩定性，但定位精度在0.03 mm 左右，測量精度并不高。

孔輪廓提取與擬合是孔檢測算法的關鍵組成，直接影響孔的視覺檢測精度。孔輪廓提取是從圖像中自動或半自動地識別和提取孔的輪廓信息，邊緣檢測則是其中的重要技術之一。常用的邊緣檢測算法包括一階微分算子如Sobel，Roberts，以及二階微分算子如LoG，Canny 等［6］。數學形態學是在格論和拓撲學上利用不同結構元素對圖像進行形態學運算，以此獲得圖像邊緣［7］。孔輪廓擬合則是基于統計分析和特定數學模型如圓、橢圓等擬合輪廓數據，從而確定最佳匹配的形狀參數。

在提取孔輪廓時，通常希望孔與背景具有高對比度，孔邊緣清晰。視覺顯著性源于視覺注意力模型，旨在識別圖像中最具吸引力和顯著性的區域，準確地從復雜圖像中突出顯著特征［8］。顯著性檢測通過定位圖像中最顯著的區域，可以幫助人們更快速地理解圖像的內容，從而提高圖像處理和分析的效率。經典方法包括譜殘差（Spectral Residual， SR）方法［9］、頻率調諧（Frequency Tuned， FT）方法［10］和基于圖的流行排序（Manifold Ranking， MR）方法［11］等。此外，還有基于深度學習的方法。Yang 等［12］提出了一種端到端擴張初始網絡DINet，將顯著性預測轉變為全局概率分布預測任務。王向軍等［13］提出了一種主干模型為嵌套U 型網絡的EGMFNet，并在較低層級引入由邊緣信息引導的全局空間注意力模塊。若將視覺顯著性算法用于實際航空制造這一特殊工業場景，本文認為其應滿足以下要求：（1） 算法應生成全分辨率顯著圖，且顯著特征應突出并具備清晰的邊界；（2） 算法應在惡劣的工業場景下保持較高的穩定性，且能實現高效的檢測。經典的FT 方法可以高效地生成全分辨率顯著圖，但生成的顯著圖中孔特征不夠突出，因此亟需進行改進。

在擬合孔輪廓時，需充分考慮離群點的影響［14］。Meanshift 算法通過迭代尋找數據分布的最大密度區域，因此在計算核平均位置時，離群點對核移動的幅度影響較小。Cheng 等［15］通過引入核函數和權重系數進一步擴大了算法的使用范圍，使它廣泛應用于聚類［16］、圖像分割［17］及目標跟蹤［18］等場景中。群決策是管理領域的概念［19］，其含義是最佳決策的制定需要集中群體優勢和眾人智慧，該思想對于圓擬合算法設計具有一定的啟發意義。

受實際航空制造場景中不均勻光照、噪聲、污漬和孔內壁干擾等的影響，孔特征檢測需要一種穩定性更強的算法。為了提高孔檢測的抗噪性能，弱化外部環境因素的影響，同時獲得較高的檢測精度和效率，本文提出了一種適用于航空制造場景的孔特征檢測方法，用于實現含孔航空鈑金件尺寸特征的精確檢測與航空零件制孔中基準孔的精確定位。

2 算法原理

2.1 改進的FT 顯著性特征檢測

FT 方法是一種基于空間頻域分析的顯著性檢測算法，通過比較像素顏色與圖像平均顏色之間的差異來估計像素的顯著性。該算法流程如下：首先對輸入圖像進行高斯平滑處理，然后將顏色空間從RGB 轉換到LAB，LAB 與RGB 顏色空間不同，它分離了亮度信息即L 通道和顏色信息即A 通道和B 通道，然后在LAB 中計算平滑后圖像的各個顏色通道的均值，最后根據式（1）計算顯著值。

式中：Iμ（x，y）為圖像在LAB 顏色空間中的像素算術平均值，Iωhc（x，y）為圖像的高斯模糊模板，‖ ‖指計算歐式距離。

在計算過程中，像素的顯著值越大，屬于顯著區域的可能性就越大，在顯著圖中被高亮顯示。圖1 為原始孔圖像以及經典FT 方法的檢測結果，平均處理時間為0.12 s。圖1（b）表明，盡管該算法檢測速度較快且輸出全分辨率的顯著圖，但顯著區域即孔所在區域的像素被抑制，并且受到背景中劃痕、毛刺等干擾，孔特征不夠突出，不利于孔區域的提取。

圖1 原始孔圖像以及經典FT 方法的檢測結果Fig.1 Original hole images and detection result of classical FT method

本文對經典的FT 方法進行改進。由于在FT 方法中顯著值與像素顏色和圖像平均顏色之間的差異密切相關，所以增強圖像各像素間的差異有利于突出顯著特征。在平滑輸入圖像和轉換顏色空間兩個步驟之間，增加圖像增強步驟，具體方法如下：

式中：Ires為增強后的灰度值，round（）為四舍五入取整函數，Iori為原始灰度值，Iave為原始灰度平均值，Imax為原始最大灰度值，Imin為原始最小灰度值，E為增強因子。E過大，會導致圖像出現偽影并引入過多噪聲；E過小，會導致圖像邊緣模糊和細節丟失，可根據實驗測試結果進行設置。為便于后續圖像處理，這里根據圖像背景的復雜程度將E設為［3，10］，圖像背景越復雜，增強因子越大。

該方法引入增強因子使得增強程度可調，調整圖像灰度值時兼顧灰度平均值、最大、最小灰度值等圖像原有特征，以便使得圖像中原本亮的區域更亮、暗的區域更暗，從而在后續顯著值計算中獲得更大的數值差異。

在基于式（2）～式（4）對FT 方法進行初步改進后，對圖1（a）中的原始圖像進行顯著性檢測，如圖2 所示。結果表明，得到的顯著圖中孔特征更加突出，被高亮表示；但圖中混入較多不屬于孔區域的干擾項，因此有必要進一步濾除背景中孤立的碎片化顯著區域。

圖2 基于初步改進FT 方法的顯著性檢測結果Fig.2 Saliency detection results based on preliminary improved FT method

顯著圖中面積最大的顯著區域通常作為顯著區域定位和估計結果。利用區域篩選算子，根據“最大面積”特征，提取面積最大的顯著區域，并根據每個像素到最大顯著區域中心的距離預測顯著目標。這里認為靠近最大顯著區域中心的部分屬于最終顯著區域，而遠離最大顯著區域中心的部分則屬于背景。根據式（5）～式（7）生成以最大顯著區域中心為參考的權重分布。權重分布從1 到0，中心權重值為1，邊緣權重值趨近于0，從區域中心到邊緣權重逐漸減小，將這些權重賦給先前步驟中計算得到的顯著值得到最終顯著值。

式中：h為生成的權重，dp為像素到最大顯著區域中心的距離，Rw為根據最大顯著區域特征設定的權重半徑，floor（）為向下取整函數，sqrt（）為平方根函數，S為最大顯著區域面積，π 為圓周率，Rp，Cp為圖中任意位置像素的橫縱坐標，Xc，Yc為最大顯著區域的中心坐標。

在對FT 方法進行最終改進后，對圖1（a）中的原始圖像進行顯著性檢測，結果如圖3 所示。與圖1（b）相比，在基于改進FT 方法獲得的全分辨率顯著圖中，孔特征更加突出，并且邊界清晰。圖像背景中劃痕、毛刺等干擾顯著減少，有利于后續的閾值分割。由于該算法已將顯著值歸一化到［0，255］，因此，只需設定適當的閾值就可以從顯著圖中分割出孔區域。經過多次實驗測試，灰度閾值設為47 即可從顯著圖中分割出孔區域。

圖3 基于最終改進FT 方法的顯著性檢測結果Fig.3 Saliency detection results based on final improved FT method

2.2 新型數學形態學輪廓提取

數學形態學利用結構元素對圖像進行形態學運算，從而實現圖像的分析和識別，具有計算復雜度小、對圖像幾何特征不敏感等特點。其基本運算有膨脹和腐蝕，其余運算是這兩種基本運算的復合，如開運算、閉運算等。

基本的數學形態學算子操作簡單快速，但去噪效果不佳，在實際圖像邊緣提取中難以運用。因此研究人員構造出復合算子［20］，如下：

式中：A為灰度圖像，B為結構元素，°為開運算，·為閉運算，Θ 為腐蝕運算，⊕為膨脹運算，-為差運算。

經過測試，基于上述算子處理顯著圖時均不能有效抑制噪聲，會導致孔輪廓誤檢。圖4 為基于式（8）表征的算子對顯著圖的孔輪廓檢測結果，其中結構元素B設置為常用的3×3 像素的矩形，紅色區域為檢測到的孔輪廓（彩圖見期刊電子版）。由于先前步驟得到的顯著區域存在部分孔輪廓缺失、孔內部區域有空洞等問題，該方法不加區分地將這些缺陷處的輪廓均視為孔輪廓，如圖4 中白框區域所示，這會導致后續輪廓擬合引入較多的誤差。

圖4 基于現有算子的孔輪廓檢測Fig.4 Hole contour detection based on existing operator

為了獲取更多真正的孔邊緣信息，同時去除冗余輪廓，本文設計了一種新的孔輪廓提取算法，主要包括基于多尺度多結構元素的新型形態學邊緣檢測算法以及輪廓細化算法。在新型形態學邊緣檢測算法中，設計了新型形態學邊緣檢測算子，如下：

式中：A為灰度圖像，B1，B2，B3均為結構元素，°為開運算，·為閉運算，Θ 為腐蝕運算，⊕為膨脹運算，-為差運算，∩為交運算，∪為并運算。

在基于數學形態學的輪廓提取中，結構元素的選擇很重要。在基于式（8）和式（9）這類具有單個結構元素形態學算子進行邊緣檢測時，選用大尺寸結構元素能有效去除噪聲，但處理后的圖像邊緣細節信息不突出；選用小尺寸結構元素能較好地保護邊緣細節，但去噪聲效果不佳。此外，檢測對象圓孔為非線性結構，因此算法中的結構元素應設計為非線性結構。B1，B2，B3為設計的不同結構元素，如下：

其中B3為具有自適應大小的圓結構元素，其半徑r與1.1 節中得到的顯著區域面積相關，B3（r=2）表示r等于2 個像素時的B3。

運用上述新型數學形態學邊緣檢測算子對圖3 中左側顯著圖進行檢測，結果表明，該方法在保留輪廓關鍵信息的同時，可以有效簡化孔輪廓，檢測到的輪廓點數量為817 個，而基于式（8）算子檢測到的輪廓點數量高達1 186 個。研究發現，雖然提出的新邊緣檢測算子已經簡化了孔輪廓，但仍然包含部分尺寸超過1 個像素的區域，導致后續輪廓擬合時存在信息冗余。骨架是基于物體對象形狀特征的簡化描述方式，是指圖像的中央線條部分［21］。可利用骨架提取算子對得到的孔輪廓進行細化處理，結果表明，細化后的輪廓點數量僅為710 個。

圖5 為采用新型數學形態學輪廓提取算法提取的顯著圖的孔輪廓。結果表明，該方法能有效過濾缺失區域輪廓以及區域內部空洞輪廓等噪聲，減少后續輪廓擬合時的計算誤差，從而在提取孔特征輪廓關鍵信息的同時，降低輪廓點數量，有利于提高后續輪廓的擬合精度和效率，確保航空鈑金件的檢測精度和航空結構件基準孔的定位精度。

圖5 新型數學形態學輪廓提取方法的檢測結果Fig.5 Detection results of novel mathematical morphological contour extraction method

2.3 融合Meanshift 和群決策的輪廓擬合

基于2.2 節得到的輪廓點仍有可能包含由毛刺、污漬、灰塵等缺陷引入的離群點，直接對所有輪廓點進行最小二乘擬合，會引入較多誤差。因此，本文提出了一種融合Meanshift 和群決策的圓檢測算法，該算法主要包括圓心位置尋找和半徑計算兩個部分。

首先計算每個輪廓點的坐標，并將所有點坐標按照輪廓順序保存在一個數組中。設置分段點數Tc，其值為輪廓點總數與3 相除得到的商并向下取整，按照下標將輪廓點數組分成［0，Tc-1］，［Tc，2Tc-1］和［2Tc，3Tc-1］三組，從每組中隨機選取一個點，使用最小二乘法擬合圓，并將擬合后的圓心和半徑保存在另外兩個數組中。

分段擬合結果顯示，少數圓心分散在各個位置，而大多數圓心集中在一個區域，可以認為真正的圓心就在該區域中。結合Meanshift 算法可以使目標收斂到點群密度最大處，因而制定如下的圓心位置尋找步驟：

（1）從分段三點擬合得到的圓心點群中任選一點作為初始質心，位置記為（Xo，Yo），并以初始質心為中心按照預先設置的掃描半徑進行掃描；

（2）基于Meanshift 算法，尋找該掃描范圍內圓心點群的新質心，其位置記為（Xr，Yr）；

（3）基于新舊質心坐標計算它們之間的歐式距離，記為誤差Te，如果Te大于預設值Ts，則繼續重復執行步驟（1）和（2），其中上一次的質心成為下一次的掃描中心；

（4）循環結束后，選取最后一次的質心位置作為最終的圓心位置，并統計在掃描半徑范圍內的所有圓心點及其對應的擬合半徑。

圖6 為圓心點群和基于Meanshift 的質心迭代過程。圖中，圓點表示通過分段三點擬合得到的圓心，十字表示質心，紅色箭頭為初始質心到最終質心的迭代方向，初始質心經過多次迭代收斂到圓心點群密度最大處。黑色箭頭所指的圖像是經過基于Meanshift 質心迭代后的孔圓心位置（彩圖見期刊電子版）。

圖6 基于Meanshift 的質心迭代過程Fig.6 Process of centroid iteration based on Meanshift

根據群決策理論，同一組員對不同問題、不同組員對同一問題的意見大多不同，基于某個組員的威望、知識水平等先驗因素得出結論過于主觀隨意，而兼顧每個組員的意見也未必正確，因為這需要提前確認所有組員的意見都合理。本文借鑒群決策的思想，設計了一個用于半徑計算的群決策模型。假設有n位組員參與某個有m類問題的工程決策，則意見矩陣如下：

式中dij為第j個組員對第i類問題的意見。意見用介于0 和1 間的數字表示，數字越大表示越重視。矩陣每行表示不同組員對同一問題的意見，每列表示同一組員對不同問題的意見，且每列各個意見的總和為1。

由于確定某類問題的最終意見要兼顧每位組員的合理意見，充分利用組員們的群體智慧，所以模型的最終目標函數用最終意見與每位組員意見的最小偏差來表示，如式（14）所示：

式中：dij為第j個組員 對 第i類問題的 意 見，di為對第i類問題的最終意見。最終意見需要滿足：

在計算半徑時，首先篩選掃描半徑范圍內的所有圓心點及其對應的擬合半徑。設置閾值Tv=1。計算各圓心點與最終圓心間的距離，若距離小于閾值Tv，則該圓心點及其對應的擬合半徑被視為第i類問題。計算各圓心點與最終圓心間的距離與所有距離總和的比值，視為1 號組員對每類問題的合理意見。計算各擬合半徑與所有半徑總和的比值，視為2 號組員對每類問題的合理意見。基于群決策模型計算上述各類問題對應的最終意見，計算最終半徑得到：

式中：ri為第i類問題對應的半徑，di為第i類問題的最終意見，r為最終半徑。

完整輪廓擬合算法的偽代碼如表1 所示。

表1 算法的偽代碼Tab.1 Pseudocode of algorithm

3 實 驗

為驗證所提出的孔特征檢測算法的可靠性和有效性，基于工業相機在不同環境下對不同零件上的孔進行拍攝，得到孔特征檢測圖像。其中，一部分檢測圖像為圖7 所示的鈑金件視覺檢測實驗平臺拍攝的實驗件，另一部分檢測圖像為圖8 所示機器人制孔系統上集成的視覺系統拍攝的孔圖像。其中，鈑金件視覺檢測實驗平臺由相機支架、工業相機、鏡頭、環形光源、試驗件和計算 機 組 成。 計 算 機 處 理 器 為Intel（R） Core（TM） i7-7700HQ CPU @ 2.80 GHz，使用Visual Studio 2019 軟件和Halcon 機器視覺庫進行聯合編程。通過相機標定獲得當前條件下的像素當量約為0.025 mm/pixel。

圖7 鈑金件視覺檢測實驗平臺Fig.7 Visual detection test platform for sheet metal parts

圖8 航空結構件機器人制孔系統Fig.8 Robotic drilling system for aircraft structural parts

3.1 穩定性實驗

在實際航空制造場景中，常常遇到許多復雜情況，導致獲取的圖像無法清晰和完整顯示孔特征。為了驗證提出的孔特征檢測算法的穩定性，對在不均勻光照、孔缺陷、孔內壁干擾等情況下拍攝的基準孔和鈑金件孔圖像進行檢測。

檢測結果如圖9 所示，在光照不均勻導致部分孔輪廓特征缺失或者孔輪廓不突出，以及孔輪廓存在毛刺和污漬等缺陷的情況下，提出的算法仍能獲得良好的檢測結果。

圖9 存在不均勻光照和孔缺陷時孔特征檢測結果Fig.9 Hole feature detection results under uneven lighting and hole defects

由于改進的FT 算法在檢測過程中采用高斯濾波，所以在抗噪性實驗中主要針對椒鹽噪聲進行測試。制作的孔檢測圖像如圖10 所示，圖像尺寸為660×640 像素，包括毛刺、缺損等孔缺陷，以盡可能模擬實際航空制造場景下的復雜孔缺陷。

圖10 人工制作的孔圖像Fig.10 Artificially created hole image

抗噪性能檢測中，通過在圖像中添加不同密度的椒鹽噪聲后比較孔檢測結果，椒鹽噪聲密度指的是噪聲所占當前圖像全部像素的百分比。在人工制作的孔圖像中分別添加了5%，10%，15%，20%，25%，30%密度的椒鹽噪聲，并使用提出的算法進行檢測。

圖11 為抗噪性實驗結果，其中縱坐標定義為孔內實際檢測結果與理論參數之間的差異。結果顯示，在不同的椒鹽噪聲密度下，采用提出的算法進行圓心坐標（X，Y）和半徑R檢測的誤差均在0.012 mm 以下。即使在椒鹽噪聲密度高達30%的情況下，仍能完成孔特征檢測，這表明提出的算法具有良好的抗噪能力和高精度的檢測能力。

圖11 不同椒鹽密度對孔參數檢測結果的影響Fig.11 Impact of different salt-and-pepper noise densities on detection results of hole parameters

受拍攝角度、光照條件等影響，拍攝得到的孔圖像可能會包含部分孔內壁。由于內壁邊緣與孔邊界相似，常規算法可能會錯誤地將孔內壁的邊緣識別為孔的一部分，導致誤檢或孔邊界定位不準確。使用提出的算法對包含孔內壁的孔圖像進行檢測，結果如圖12 所示。結果表明，本算法能夠在不同的背景下準確區分孔內壁，具有一定的抗干擾能力。

圖12 孔內壁干擾下的檢測結果Fig.12 Detection results under interference of hole inner walls

穩定性實驗結果表明，在孔圖像具有不均勻光照，毛刺、污漬、劃痕等孔缺陷以及噪聲和孔內壁干擾時，本算法均能較好地檢測出孔，穩定性較高。

3.2 質量和效率實驗

為了評估提出算法的質量和效率，將它與Halcon 機器視覺庫自帶的Measure_circles 算法以及基于穩定RANSAC 算法的圓檢測方法［22］進行對比，結果如圖13 所示。為了方便區分，將這兩種方法簡稱為H 方法和D 方法。

圖13 不同方法的檢測結果Fig.13 Detection results of different methods

在Measure_circles 算法中，首先使用快速閾值法對孔區域進行分割，然后使用Canny 算子提取感興趣區域的亞像素輪廓，并判斷輪廓的全局屬性，篩選全局屬性為類圓弧的輪廓，連接位于同一圓上的輪廓并計算輪廓點的坐標，最后使用最小二乘法進行圓擬合。

在基于穩定RANSAC 算法的圓檢測方法中，引入一種基于形態操作的邊緣掩模和一種通過劃分扇區篩選輪廓點的方法，并使用RANSAC 算法進行圓擬合。RANSAC 算法是一種迭代的、穩定性較強的參數估計方法，用于從包含噪聲和異常值的數據集中擬合數學模型，在圓檢測算法中具有代表性。

實驗對象是尺寸為660×640 像素的孔圖像，分為4 組進行實驗。由圖13（a）可以看出，提出的算法能夠準確檢測多種環境和材料下的孔特征，具有較高的可靠性。對比3 種算法的檢測結果，可以發現：在背景簡單且光照效果良好的孔圖像（第一組圖像），3 種方法都能成功地進行檢測。然而，當圖像背景復雜，受到雜質或材料紋理等干擾，或者光照效果不佳導致孔特征與背景對比度較低時，H 方法和D 方法的檢測精度明顯下降。這種情況在第二組圖像中較為明顯，在第三組圖像中甚至出現了锪孔外圓被誤檢為目標孔特征的情形。在最后一組人工制作的孔圖像中，添加了毛刺、缺陷等孔缺陷以及15%的椒鹽噪聲，很明顯D 方法無法完成孔檢測。

表2 給出了3 種算法的孔半徑檢測誤差。結果表明，本文算法在各組實驗中的檢測誤差均小于其他兩種方法，平均檢測誤差僅為0.011 mm，檢測精度較高。表3 為3 種算法的檢測時間。在第4 組圖像檢測實驗中，由于D 方法無法成功檢測，因此不進行比較。結果表明，雖然本算法的檢測時間略長于其他兩種方法，但4 組對比實驗的平均時間成本僅為0.236 s，檢測速度較快。

表2 各算法的孔半徑檢測誤差對比Tab.2 Comparison of hole radius detection errors of various algorithms （mm）

表3 各算法的檢測時間對比Tab.3 Comparison of detection time of various algorithms （s）

質量和效率實驗結果表明，與H 方法和D 方法相比，本算法能優先保證高質量的孔檢測，同時檢測用時也較短，0.236 s 的平均檢測時間對于航空制造中的孔檢測已經足夠了。

4 結 論

本文提出了一種適用復雜航空制造場景中的航空零件孔特征檢測算法。該算法將視覺顯著性、數學形態學、Meanshift 和群決策有機集成和融合。通過在經典的FT 算法基礎上增加圖像增強步驟，并基于各像素與最大顯著區域中心的距離確定各像素的權重，可以獲得能夠極大突出孔特征的全分辨率顯著圖，有效減少劃痕、毛刺等對孔檢測的干擾，有助于在后續閾值分割中提取完整孔區域。開發的具有多尺度多結構元素的新型數學形態學邊緣檢測算法結合輪廓細化算法，可以有效細化輪廓，去除一些非關鍵的孔特征輪廓點，在簡化后續處理過程的同時，提高了算法的擬合精度。在圓擬合時采用Meanshift 算法尋找圓心，引入群決策模型計算圓孔半徑，具有一定的抗干擾能力，即使基于在復雜背景下提取的復雜輪廓點，也能實現高精度圓擬合。該算法在面對不均勻光照、各類孔缺陷和孔內壁干擾的情況下具有較高的穩定性，在噪聲密度高達30%的情況下仍能成功完成孔檢測，且圓心坐標和半徑的檢測誤差均在0.012 mm 以下。與現有的孔檢測算法相比，該算法適用于在航空制造場景中多種孔圖像的高精度檢測，穩定性較高，檢測速度較快，平均檢測時間僅為0.236 s。

在實際工程應用中，需要注意本算法的參數選擇和調優，如融合Meanshift 和群決策的輪廓擬合算法中的掃描半徑和預設值。未來可進一步改進該算法中的顯著值計算過程和Meanshift算法的迭代過程，有望進一步減少檢測時間，提高孔特征的檢測效率和精度。