民用航空发动机剩余寿命预测及维修决策研究

作者： 张曦   来源： 南京航空航天大学 年份： 2020 文献类型 ： 学位论文 关键词： 维纳过程   剩余寿命   维修等级分析   深度学习   多目视觉   随机集  

描述： 民用航空发动机剩余寿命预测及维修决策研究

基于数据驱动的终端区航空器异常行为检测

作者： 陈丽晶   来源： 南京航空航天大学 年份： 2021 文献类型 ： 学位论文 关键词： 正则化方法   数据驱动   航空器异常行为   深度学习   能量异常   机场终端区   轨迹异常  

描述： 基于数据驱动的终端区航空器异常行为检测

基于深度学习的图像分割方法在通用航空应急救援中的应用研究

作者： 王馨悦   来源： 中国民用航空飞行学院 年份： 2022 文献类型 ： 学位论文 关键词： 鸟群活动图像分割   Net网络   优化U   通用航空应急救援   深度学习   图像分割   危险天气  

描述： 基于深度学习的图像分割方法在通用航空应急救援中的应用研究

基于深度学习的航空图像目标检测

作者： 高子啸   来源： 中北大学 年份： 2021 文献类型 ： 学位论文 关键词： 智能交通管理   图像处理   深度学习   无人机   YOLOv3   车辆检测   Tiny算法  

描述： 基于深度学习的航空图像目标检测

基于LSTM的民航航线客运量和航班票价预测研究

作者： 甘国育   来源： 昆明理工大学 年份： 2021 文献类型 ： 学位论文 关键词： 时间序列   长短期记忆网络   注意力机制   深度学习   客运量   机票价格  

描述： 基于LSTM的民航航线客运量和航班票价预测研究

遥感图像飞机目标检测与识别关键技术研究

作者： 李冠典   来源： 长春理工大学 年份： 2022 文献类型 ： 学位论文 关键词： 飞机目标高效检测   遥感图像   卷积神经网络   深度学习   目标检测   飞机区域识别网络  

描述： 遥感图像飞机目标检测与识别关键技术研究

基于深度学习的航空留机导管缺陷检测研究与实现

作者： 李斐   来源： 西安电子科技大学 年份： 2022 文献类型 ： 学位论文 关键词： 留机导管   R   CNN   深度学习   Faster   YOLOv4   缺陷检测  

描述： 基于深度学习的航空留机导管缺陷检测研究与实现

基于深度学习的遥感图像飞机检测与分割

作者： 吴启凡   来源： 西安电子科技大学 年份： 2022 文献类型 ： 学位论文 关键词： 非对称卷积   遥感图像   R   CNN   深度学习   Mask   自校准卷积  

描述： 基于深度学习的遥感图像飞机检测与分割

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。