全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
按文献类别分组
按栏目分组
关键词
- 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： 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
- 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： 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
- 基于GSV-YOLO的飞机起落架缺陷检测方法研究
- 作者： 李博 许子威 钟飞 陈义华 来源： 电子测量技术 年份： 2025 文献类型 ： 期刊 关键词： YOLOv7 tiny 深度学习 Ghost卷积 飞机起落架 缺陷检测
- 描述： 基于GSV-YOLO的飞机起落架缺陷检测方法研究
- 飞机蒙皮材料的研究现状
- 作者： 徐昌权 朱龙超 罗明丰 曹海建 黄晓梅 来源： 纺织导报 年份： 2024 文献类型 ： 期刊 关键词： 飞机蒙皮 力学性能 研究现状 成型工艺 损伤容限 冲击性能
- 描述： 飞机蒙皮材料的研究现状
- 弱纹理飞机蒙皮曲面图像特征匹配及拼接
- 作者： 李炳超 王军 李海丰 王怀超 范龙飞 来源： 电子测量技术 年份： 2024 文献类型 ： 期刊 关键词： 飞机蒙皮 反柱面投影 特征匹配 图像分块 特征掩膜 弱纹理 图像拼接
- 描述： 为了解决弱纹理飞机蒙皮特征点分布不均匀、正确匹配的特征点对较少的问题，提出了一种改进的LoFTR算法对飞机蒙皮图像进行拼接。根据相机位姿利用柱面反投影对蒙皮图像进行曲面校正；通过图像之间的重叠区域
- 激光一次性去除铝合金飞机蒙皮涂层实验与数值研究
- 作者： 姜苏航 李多生 叶寅 谢非彤 邱彦钦 钟宏平 来源： 表面技术 年份： 2024 文献类型 ： 期刊 关键词： 激光清洗 飞机蒙皮 一次性去除 纳秒脉冲激光 正交实验法 铝合金
- 描述： 航空铝合金2A12为基材，开展脉冲激光的频率、功率和扫描速度等参数对基材表面涂层烧蚀深度的影响研究，以及烧蚀过程中基材表面最高温度的模拟研究。同时，以表面粗糙度和去除深度为评价指标，对2A12铝合金飞机蒙皮
- 激光除漆对铝合金飞机蒙皮微观组织的影响
- 作者： 杨文锋 李庆 李绍龙 常学东 谢旻玥 胡月 来源： 表面技术 年份： 2024 文献类型 ： 期刊 关键词： 飞机蒙皮 微观组织 2024 T3铝合金 显微硬度 激光除漆
- 描述： 目的 探究激光除漆对铝合金飞机蒙皮基体近表层（15μm）微观组织的影响规律，阐明近表层微观组织变化与显微硬度的内在联系。方法 采用纳秒脉冲红外激光去除2024-T3铝合金飞机蒙皮表面漆层，通过调节
- 基于注意力金字塔网络的航空影像建筑物变化检测
- 作者： 田青林 秦凯 陈俊 李瑶 陈雪娇 来源： 光学学报 年份： 2021 文献类型 ： 期刊 关键词： 注意力机制 图像处理 变化检测 空洞卷积 特征金字塔
- 描述： 提取特征,并在部分残差模块应用空洞卷积增大感受野,同时将金字塔池化结构作为编码网络的最后一层,以提取图像多尺度特征;在解码阶段的横向连接过程中引入注意力机制以突出重要特征,并采用自上而下的密集连接方式
- 基于改进的SENet航空发动机振动预测
- 作者： 夏存江 詹于游 来源： 航空动力学报 年份： 2022 文献类型 ： 期刊 关键词： 数据驱动 注意力机制 卷积神经网络 多参数融合 振动预测
- 描述： 为实时监测和预警航空发动机振动状态，基于气路及振动参数，提出一种使用改进的SENet(squeeze-and-excitation network)模型，对航空发动机近未来的振动进行预测。该研究相比以往采用的实验室模拟数据和仿真数据，使用了真实的QAR(quick access recorder)数据并进行随机采样，以求更能表征发动机振动和工作参数之间的关系。同时，不仅使用其他振动信号进行验证，还在其他型号的发动机上进行测试。结果表明：针对航空发动机的振动进行预测是可行的，SENet模型可以有效并实时追踪振动的突变和波动。此外，该方法对于其他振动信号和不同类型的发动机具有一定的适用性。而且相较于以往采用的其他经典的深度模型，SENet模型在振动的预测中能得到更小的误差。实验证明，相较于以往只使用振动这个单参数进行预测，并行使用与振动相关的多参数融合进行研究更能提高预测的准确性。