飛機結構在使用壽命期內要受到疲勞載荷和腐蝕環(huán)境等因素的作用,因而會產生疲勞、腐蝕等損傷缺陷,其缺陷一般表現(xiàn)為飛機蒙皮表面的腐蝕老化,桁條與蒙皮膠結點焊部位嚴重腐蝕導致結構變形、脫焊和穿孔,鋁合金連接部位出現(xiàn)腐蝕活性點和開始膜下腐蝕,機翼上壁板螺釘連接部位嚴重腐蝕等一系列問題。會對飛行安全造成嚴重影響,輕則是加重飛機部件損傷影響飛行品質,重則是在飛行過程中出現(xiàn)油箱,起落架掉落,蒙皮被撕裂等嚴重的事故,對飛行和地面人員安全造成嚴重的安全威脅。為解決飛機表面的缺陷識別問題,本論文開發(fā)一種基于YOLOv3算法的深度神經網絡預測模型用于飛機表面缺陷識別。通過收集飛機的表面缺陷圖片作為數(shù)據(jù)集,并將其分為蒙皮掉漆、蒙皮裂紋、螺紋銹蝕、蒙皮變形、蒙皮撕裂5種缺陷,送入搭建好的飛機表面缺陷預測模型進行訓練和測試。該模型在測試環(huán)境中對單張圖片的識別速度在30-50ms之間,且在訓練集和測試集上的識別準確率分別為90.8%、76%,召回率分別為80%、72%。測試實驗結果表明,分辨率不同的樣本圖像對飛機表面缺陷預測模型的識別準確率有一定影響,特別是在低分辨率圖像樣本上的識別準確率較低。飛機表面缺陷預測模型對...

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 選題背景及研究意義
    1.2 國內外研究現(xiàn)狀
    1.3 研究內容及安排
第2章 深度神經網絡基礎
    2.1 深度神經網絡
        2.1.1 神經元結構
        2.1.2 多層感知機
        2.1.3 反向傳播算法
    2.2 卷積神經網絡結構
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 全連接層
        2.2.4 殘差層
        2.2.5 Dropout失活單元
        2.2.6 全局平均池化
    2.3 目標檢測算法
    2.4 本章小結
第3章 飛機表面缺陷樣本采集與預處理
    3.1 飛機表面缺陷圖像采集
        3.1.1 樣本采集要求
        3.1.2 樣本采集方式
    3.2 飛機表面缺陷分類
    3.3 數(shù)據(jù)預處理
        3.3.1 樣本預處理流程
        3.3.2 圖像樣本修復
        3.3.3 圖像增強
        3.3.4 圖像降采樣
    3.4 數(shù)據(jù)集的建立
        3.4.1 數(shù)據(jù)集的組成
        3.4.2 圖像標注步驟
    3.5 本章小結
第4章 飛機表面缺陷檢測模型的訓練與驗證
    4.1 基于YOLOv3 的飛機表面缺陷檢測模型
        4.1.1 檢測模型檢測流程
        4.1.2 檢測模型網絡結構
        4.1.3 bounding box預測機制
        4.1.4 飛機表面缺陷檢測模型損失函數(shù)
        4.1.5 飛機表面缺陷檢測實現(xiàn)
    4.2 網絡訓練
        4.2.1 試驗平臺的搭建
        4.2.2 模型預訓練
        4.2.3 模型的二次訓練
        4.2.4 模型驗證
    4.3 本章小結
第5章 模型實驗與分析
    5.1 飛機表面缺陷檢測模型評價指標
        5.1.1 精確率、準確率和召回率
        5.1.2 置信度與置信區(qū)間
        5.1.3 模型的單次預測時間
    5.2飛機表面缺陷檢測實驗
        5.2.1 準確率和召回實驗
        5.2.2 樣本實驗
        5.2.3 對比實驗
    5.3 實驗結果分析
        5.3.1 召回率與準確率分析
        5.3.2 樣本實驗結果分析
        5.3.3 對比實驗分析
    5.4 本章小結
第6章 總結與展望
    6.1 總結
    6.2 展望
參考文獻
攻讀碩士學位期間取得的學術成果
致謝



本文編號：3971090