航空發(fā)動機葉片作為航空器重要的零件,其健康狀況直接關系到航班的運行安全。葉片由于工作環(huán)境惡劣很容易產生裂紋、掉塊、壓坑等損傷,及時準確的日常檢查對于維護葉片狀態(tài)良好,保證航空器適航具有重要的意義。目前基于孔探技術的葉片損傷檢測以人工為主,檢測結果在很大程度上受到人為因素的影響。因此,實現(xiàn)葉片損傷的自動識別及測量對于減輕勞動強度和提高檢測精度都有實際的應用價值�？紤]到發(fā)動機內部結構復雜,傳統(tǒng)的圖像識別方法和深度學習領域中的目標檢測技術各有優(yōu)勢,但是希望通過自主學習物體特征實現(xiàn)目標的自動識別與定位。因此本文首先采用YOLOv3模型和faster R-CNN（ZF）模型對收集到的孔探圖像進行損傷識別定位;然后針對上述各模型的葉片損傷特征提取能力進行改進得到YOLOv3-dense模型和faster R-CNN（改進ZF）模型;最后在相同的數(shù)據(jù)集上分別進行訓練和測試,經過檢測精度、召回率等方面的評價將得到的檢測結果進行對比選出性能最優(yōu)的模型。在完成損傷識別與定位后需要對損傷進行尺寸測量,本文以掉塊類型為研究目標。首先明確了損傷測量的特征點;然后結合八鏈碼與偽邊緣去除等方法掃描出受損葉片的輪廓曲... 

【文章來源】：中國民航大學天津市

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

訓練過程中損失值變化

中國民航大學碩士學位論文33圖3-3LabelImage的圖形注釋界面3.3基于YOLOv3和fasterR-CNN的葉片損傷識別3.3.1YOLOv3缺陷檢測算法YOLO算法(例如fastYOLO，YOLOv2，YOLO9000等)已用于交通參與者的實時檢測，實時水果檢測，數(shù)字X射線診斷系統(tǒng)等領域，然而在航空發(fā)動機葉片損傷檢測領域還沒有使用過該種算法。YOLOv3是在YOLO、YOLOv2的基礎上演變而來的，與基于區(qū)域的卷積神經網(wǎng)絡(Region-basedConvolutionalNeuralNetwork,R-CNN)不同的是該系列的目標檢測方法是將檢測框架轉化為空間分隔的邊界框和相關類概率的回歸問題，它不需要區(qū)域建議網(wǎng)絡(RPN)，而是利用一個單一的神經網(wǎng)絡在一次評估中完成對整張圖像的邊界框坐標和類概率預測。由于網(wǎng)絡利用整張圖的特征來全局考慮整個圖像和圖像中的所有對象，且整個檢測過程是在單個網(wǎng)絡上完成，所以可以直接在檢測性能上進行端到端(End-to-End)的優(yōu)化。與fasterR-CNN相比，這大大提高了檢測速度。YOLO檢測模型如圖3-4所示，網(wǎng)絡將訓練集中的每個圖像劃分為SS(這里為簡單起見取S=7)的網(wǎng)格，并為每一個網(wǎng)格單元預測B(這里取B=2)個邊界框，每個邊界框要預測邊界框置信度及C個條件類概率，這些預測最終以SS(B5+C)維的張量表示，如圖3-5所示。相較于YOLO，YOLOv2改善了

中國民航大學碩士學位論文39圖3-9同一目標的多個檢測邊界框對于YOLO系列的目標檢測算法，其關鍵信息包括目標的坐標偏移量、錨框的寬高信息、邊界框的置信度以及條件類概率四種，由此損失函數(shù)根據(jù)其各自特點組合成了最終的損失函數(shù)(LossFunction)，具體公式如下：coordiouclsLoss=Error+Error+Error(3.2)對于坐標預測誤差coordError為：2222221111=[()()][()()]SBSBobjobjcoordcoordijiiiicoordijiiiiijijErrorxxyywwhh====+++(3.3)coord表示坐標誤差的權重，2S表示輸入圖像的網(wǎng)格數(shù)，B表示每個網(wǎng)格單元預測的邊界框數(shù)，參照YOLO模型中的原始參數(shù)，在本研究中取5coord=，S=13，B=3；1objij=表示目標落入網(wǎng)格i中的第j個邊界框，否則0objij=；nobjij表示沒有任何目標落入網(wǎng)格i中的第j個邊界框；(,,,)iiiixywh表示預測邊界框的中心坐標、高度和寬度的值；(,,,)iiiixywh表示真實值。對于交并比誤差iouError為：22221111=()()SBSBobjnobjiouijiinoobjijiiijijErrorCCCC====+(3.4)noobj表示交并比誤差的權重，參考YOLO模型中的原始參數(shù)，在本研究中取=0.5noobj；iC表示預測的邊界框概率值，iC表示真實邊界框概率值。對于分類誤差clsError為：

【參考文獻】：
期刊論文
[1]航空發(fā)動機維護中孔探檢測技術的應用[J]. 肖柏榮.  中國高新科技. 2019(15)
[2]航空發(fā)動機維修中孔探技術的應用分析[J]. 張棟善,趙成.  電子制作. 2019(12)
[3]基于工程管理措施的航空發(fā)動機孔探流程優(yōu)化研究[J]. 谷亞南.  裝備制造技術. 2019(06)
[4]基于幀間路徑搜索和E-CNN的紅棗定位與缺陷檢測[J]. 曾窕俊,吳俊杭,馬本學,汪傳建,羅秀芝,王文霞.  農業(yè)機械學報. 2019(02)
[5]基于卷積特征的光纖缺陷檢測方法[J]. 陳廣,楊震.  中國慣性技術學報. 2019(01)
[6]基于動力特性及BP神經網(wǎng)絡的風電機組葉片損傷識別[J]. 薛剛,蘇天.  太陽能學報. 2018(10)
[7]淺談CFM56-5B航空發(fā)動機的內窺鏡檢查和案列分析[J]. 潘敏嘉.  數(shù)字通信世界. 2018(09)
[8]孔探技術在航空發(fā)動機維修中的應用研析[J]. 吳冬.  智富時代. 2018(08)
[9]基于柔性電磁傳感器的發(fā)動機葉片微缺陷檢測[J]. 陳棣湘,潘孟春,田武剛,周衛(wèi)紅,謝瑞芳.  中國測試. 2018(01)
[10]孔探技術在民航發(fā)動機故障判斷中的應用[J]. 鄧暉,徐國富,莫競榮,張澤平.  時代農機. 2018(01)

碩士論文
[1]深度學習及其在航空發(fā)動機缺陷檢測中的應用研究[D]. 曠可嘉.華南理工大學 2017
[2]深度學習在風機葉片結構損傷識別中的仿真研究[D]. 張鑫.蘭州交通大學 2016
[3]航空發(fā)動機葉片損傷圖像快速識別技術研究[D]. 張維亮.沈陽航空航天大學 2014



本文編號：3368426