面向航空影像下车辆目标的实时检测算法

作者： 杨国亮   许楠   洪志阳   范振   来源： 计算机工程与设计 年份： 2019 文献类型 ： 期刊 关键词： 卷积   实时   深度学习   神经网络   车辆检测   航空影像  

描述： 为解决自然场景下的通用目标检测框架对航空影像下的小车辆目标检测性能不足的缺陷,提出一种专用于航空影像下的小车辆目标实时检测器,即轻量级尺度公平单卷积检测器(lightweight scale fair single convolution detector,LSFSCD)。相比传统检测方法和基于CNN的通用检测等方法,其架构更加简单,模型更小。该架构减少了误检和错检,实现更高检测精度的同时减少训练时间。通过使用Caffe框架在8g显存GTX1080上对VEDAI和DLR数据集进行实验,其结果验证了所提算法的有效性。

基于深度学习的光学遥感图像飞机检测算法

作者： 董永峰   仉长涛   汪鹏   冯哲   来源： 激光与光电子学进展 年份： 2020 文献类型 ： 期刊 关键词： 遥感图像   卷积神经网络   图像处理   目标检测   深度学习   Mask   RCNN算法  

描述： 基于深度学习的光学遥感图像飞机检测算法

基于深度学习的航空传感器故障诊断方法

作者： 郑晓飞   郭创   姚斌   冯华鑫   来源： 计算机工程 年份： 2018 文献类型 ： 期刊 关键词： 信号重构   故障诊断   深度学习   航空传感器   深度置信网络   故障隔离  

描述： 为解决传统神经网络进行传感器故障诊断时存在的过拟合、泛化能力有限等问题,提出一种基于深度置信网络观测器的航空传感器故障诊断方法。利用深度置信网络替代浅层神经网络,在优化网络结构的基础上,给出深度置信网络隐层节点数选取的递推公式,构建深度置信网络状态观测器。离线训练时,利用飞行数据训练深度置信网络观测器。在线诊断时,通过比较观测器输出值与实际输出值判断故障类型,并给出3种故障隔离与信号重构方法。仿真结果表明,与BP神经网络观测器相比,该方法能够快速准确地进行故障诊断与隔离,并且完成信号重构。

基于SW/YOLO模型的航空发动机叶片损伤实时检测

作者： 何宇豪   曹学国   刘信良   蒋浩坤   王静秋   来源： 推进技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   实时检测   叶片损伤   深度学习   目标检测   孔探检测  

描述： 孔探检测技术是航空发动机叶片损伤检测的主要手段，但目前依赖人工操作，耗时耗力。本文提出了一个孔探视频检测的SW/YOLO模型，该模型包括输入端、主干网络、颈部网络、头部网络4个模块。首先，在主干网络加入了空间通道注意力模块（Spatial Channel / Convolutional Block Attention Module，SC/CBAM），有效避免位置信息丢失，提高目标边界回归能力，相较于YOLOv5，其平均精度均值mAP@0.5提高了5.4%。其次，在颈部网络对特征金字塔网络（Feature Pyramid Network，FPN）进行了改进，通过融合低层特征，扩大了模型感受野，有利于较小损伤区域的检测，如烧蚀损伤，平均精度提高了8.1%。最后，通过与YOLOv5，Faster R/CNN，SSD模型的对比实验，结果表明SW/YOLO模型的平均精度均值分别提高了7%，6.2%，6.3%，检测速度满足实时检测需求，有利于提高航空发动机孔探检测的自动化和智能化水平。

基于深度学习的航空发动机涡轮叶片自动射线检测技术研究

作者： 王栋欢   肖洪   吴丁毅   来源： 推进技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   涡轮叶片   射线图像   深度学习   射线检测   缺陷检测  

描述： 一直以来，航空发动机涡轮叶片的射线检测依靠检验员人工评片。为避免经验差异、眼睛疲劳、标准理解等人为因素影响，有效改善传统射线检测费时费力、效率低下等问题，针对航空发动机涡轮叶片射线图像，基于YOLOv4模型提出了一种双主干特征融合的缺陷自动检测算法（DBFF-YOLOv4）；通过设计包含所有特征映射的新型连接结构搭建缺陷检测颈部网络，建立了适用于涡轮叶片射线图像的缺陷自动检测模型；针对每个缺陷，采用9次裁剪、旋转和亮度增减的图像数据增强方法扩充样本数据，在此基础上进行了模型训练与测试。结果表明，针对完整涡轮叶片，建立的缺陷检测模型在0.5的置信度阈值下可获得96.7%的平均查准率和91.87%的平均查全率，优于通用目标检测算法YOLOv4模型。9次缺陷裁剪、旋转和亮度增减的图像数据增强方法能够显著提高模型的缺陷检测精度（平均精度分别得到了59.19%和2.53%的提升）。该研究为涡轮叶片自动射线检测提供了一种新方法。

飞机结构健康监测技术发展研究

作者： 刘雪蓉     曹贺     张宝珍   来源： 计测技术 年份： 2024 文献类型 ： 期刊 关键词： 结构预测与健康管理   数字孪生   先进传感器   深度学习   飞机   结构健康监测  

描述： Fighter, JSF）上的典型应用。指出飞机结构健康监测技术正向智能化方向发展；未来需要重点研究传感器网络的智能诊断技术、复杂环境下的SHM技术、基于结构健康监测的健康管理技术、智能材料/结构健康监测技术，并将深度学习、数字孪生等前沿技术应用于航空领域，以推动我国飞机结构健康监测技术发展。

基于迁移学习和改进Faster-RCNN遥感影像飞机目标检测

作者： 周绍鸿     方新建     刘鑫怡     张潆丹     严盛   来源： 机电工程技术 年份： 2024 文献类型 ： 期刊 关键词： 遥感影像   目标检测   RCNN   深度学习   Faster   迁移学习  

描述： 为了提高遥感影像飞机目标检测的准确性和泛化能力，需要解决背景复杂、尺度多变、目标密集、飞机朝向不确定和特征不明显等问题。但现阶段训练数据量有限，初始训练需要消耗大量算力和时间，容易出现过拟合现象。因此，需要优化模型结构和训练过程。针对上述问题，首先引入一种迁移学习的策略，在Faster-RCNN模型训练之前，加载MS COCO数据集预先训练好的权重，使模型快速收敛，节约了大量的训练时间。然后以ResNet50替代原Faster-RCNN的VGG16特征提取网络，更好地利用深层次的语义信息，在此基础上结合FPN网络，并对原Faster-RCNN的9种锚框增加为15种锚框，通过融合多尺度特征图以获得更丰富的特征表示，从而提高网络检测和定位目标的能力。以RSOD-Dataset数据集为例进行飞机目标检测实验，同时比较不同检测算法的性能；再以NWPU VHR-10数据集验证模型的泛化性和稳定性，实验结果表明：改进的Faster-RCNN在RSOD-Dataset数据集上的精确率为97.54%；在NWPU VHR-10数据集上的精确率为98.27%。通过迁移学习和改进Faster-RCNN的网络结构，可以实现在数据量较少的情况下高精度目标检测，且泛化能力较强，所提方法可以利用于其他目标检测和识别，具有较好的推广意义。

基于Transformer的飞机状态预测

作者： 王经纬     高艳鹍     宋澣兴     刘一非   来源： 计算机工程与设计 年份： 2024 文献类型 ： 期刊 关键词： 深度学习   状态分类   气动力建模   多任务   大迎角   非定常气动力   时序预测  

描述： 在非定常气动力下，为防止飞机进入危险状态，通过建模进行状态预测，是保障飞行安全的重要手段，传统方法建模过程复杂、工程化难度大且普适性不强。为更好解决大迎角下飞行状态预测，使用基于深度学习的时序序列

基于SW-YOLO模型的航空发动机叶片损伤实时检测

作者： 何宇豪     曹学国     刘信良     蒋浩坤     王静秋   来源： 推进技术 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机   实时检测   叶片损伤   深度学习   目标检测   孔探检测  

描述： 孔探检测技术是航空发动机叶片损伤检测的主要手段，但目前依赖人工操作，耗时耗力。本文提出了一个孔探视频检测的SW-YOLO模型，该模型包括输入端、主干网络、颈部网络、头部网络4个模块。首先，在主干网络加入了空间通道注意力模块（Spatial Channel-Convolutional Block Attention Module,SC-CBAM），有效避免位置信息丢失，提高目标边界回归能力，相较于YOLOv5，其平均精度均值■@0.5提高了5.4%。其次，在颈部网络对特征金字塔网络（Feature Pyramid Network,FPN）进行了改进，通过融合低层特征，扩大了模型感受野，有利于较小损伤区域的检测，如烧蚀损伤，平均精度提高了8.1%。最后，通过与YOLOv5,Faster R-CNN,SSD模型的对比实验，结果表明SW-YOLO模型的平均精度均值分别提高了7%,6.2%,6.3%，检测速度满足实时检测需求，有利于提高航空发动机孔探检测的自动化和智能化水平。

基于深度学习的航空发动机涡轮叶片自动射线检测技术研究

作者： 王栋欢     肖洪     吴丁毅   来源： 推进技术 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机   涡轮叶片   射线图像   深度学习   射线检测   缺陷检测  

描述： 一直以来，航空发动机涡轮叶片的射线检测依靠检验员人工评片。为避免经验差异、眼睛疲劳、标准理解等人为因素影响，有效改善传统射线检测费时费力、效率低下等问题，针对航空发动机涡轮叶片射线图像，基于YOLOv4模型提出了一种双主干特征融合的缺陷自动检测算法（DBFFYOLOv4）；通过设计包含所有特征映射的新型连接结构搭建缺陷检测颈部网络，建立了适用于涡轮叶片射线图像的缺陷自动检测模型；针对每个缺陷，采用9次裁剪、旋转和亮度增减的图像数据增强方法扩充样本数据，在此基础上进行了模型训练与测试。结果表明，针对完整涡轮叶片，建立的缺陷检测模型在0.5的置信度阈值下可获得96.7%的平均查准率和91.87%的平均查全率，优于通用目标检测算法YOLOv4模型。9次缺陷裁剪、旋转和亮度增减的图像数据增强方法能够显著提高模型的缺陷检测精度（平均精度分别得到了59.19%和2.53%的提升）。该研究为涡轮叶片自动射线检测提供了一种新方法。