基于深度学习孔探图像的航空发动机缺陷识别研究

作者： 马瑞阳   来源： 中国民用航空飞行学院 年份： 2021 文献类型 ： 学位论文 关键词： 孔探检查   深度学习   缺陷识别   CFM56   YOLOv4  

描述： 基于深度学习孔探图像的航空发动机缺陷识别研究

基于改进的YOLOv4-tiny遥感影像飞机检测系统的开发

作者： 付俊炜   来源： 北京交通大学 年份： 2022 文献类型 ： 学位论文 关键词： tiny   深度学习   目标检测   YOLOv4   模型部署  

描述： 基于改进的YOLOv4-tiny遥感影像飞机检测系统的开发

基于YOLO架构的海上遇险航空器识别方法研究

作者： 刘皓晨   来源： 中国民用航空飞行学院 年份： 2021 文献类型 ： 学位论文 关键词： tiny   深度学习   目标识别   YOLOv4   海上搜救  

描述： 基于YOLO架构的海上遇险航空器识别方法研究

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

航空发动机孔探辅助工具设计与应用

作者： 郭佳骥   来源： 航空维修与工程 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   孔探检查   排故  

描述： 某型航空发动机涡轮叶片在台架试车过程中出现断裂故障，为排除故障，需检查涡轮转子叶片活动量。本研究通过对发动机孔探位置及路径的分析，设计研制了孔探辅助装置，并在发动机周期性维护中验证有效。应用该孔探辅助工具，高涡转子叶片的故障点可得到有效验证。

CFM56-3民航发动机控制系统故障诊断系统

作者： 邢凯铭   来源： 科技资讯 年份： 2017 文献类型 ： 期刊 关键词： 控制系统   故障诊断   CFM56   3发动机  

描述： 该文介绍了CFM56-3民航发动机故障诊断系统的基本概念方法,阐述了发动机控制系统故障诊断分析系统的研究。通过将故障隔离手册通过VB编程对其进行可视化,对CFM56-3发动机故障诊断进行指导和分析,并介绍发动机地面试车验证和诊断故障的方法,指出了该领域有值得更加深入研究的参考价值和发展趋势。

民航大涵道比涡扇发动机稳态模型建模及其修正技术研究

作者： 旷典   来源： 中国民用航空飞行学院 年份： 2018 文献类型 ： 学位论文 关键词： 修正技术   7B发动机   CFM56   稳态模型  

描述： 民航大涵道比涡扇发动机稳态模型建模及其修正技术研究

A319-115飞机CFM56-5B型发动机的构型转换

作者： 刘佳鸣   来源： 航空维修与工程 年份： 2018 文献类型 ： 期刊 关键词： A319   115   构型转换   CFM56   5B发动机  

描述： 航空发动机构型转换是航空公司工程管理的重要课题,掌握发动机的构型转换原理,不但可以优化公司机队的发动机配置,还可以扩大AOG情况下备发的选择范围。本文以A319-115飞机CFM56-5B型发动机为例,介绍发动机构型转换的相关要求。

YOLOv4-tiny及其改进算法在航空机务维修照相管理中的应用

作者： 张锐丽   张琦   高万春   李江龙   来源： 兵工自动化 年份： 2022 文献类型 ： 期刊 关键词： 注意力机制   tiny   目标检测   YOLOv4   照相管理  

描述： 针对飞机机务维修照相管理存在工作量大、不精确等问题，提出一种利用深度学习YOLOv4-tiny算法来执行照片对比检测的方法。利用一个自制的数据集来训练网络模型，为解决开口销螺母及其他背景干扰，引入注意力机制模块以改进YOLOv4-tiny。测试结果表明：准确率(precision,P)相较原YOLOv4-tiny提高了5%，召回率(recall,R)提高约8%，平均准确率均值(mean average precision,mAP)提高了4.9%，照片识别精度和定位精准性方面都有较优表现，满足照相管理中对目标精准识别与比对的要求。

基于改进YOLOv4的航空发动机损伤检测方法

作者： 蔡舒妤   闫子砚   师利中   来源： 现代制造工程 年份： 2023 文献类型 ： 期刊 关键词： 损伤检测   卷积注意力模块   YOLOv4   深度可分离卷积   MobileNetv3  

描述： 针对现有目标检测模型参数量大、检测速度慢，难以适应航空发动机孔探检测轻量化应用需求的问题，提出了基于YOLOv4目标检测算法的轻量化航空发动机损伤检测模型。设计了基于深度可分离卷积的轻量化特征融合结构，在YOLOv4的颈部结构(Neck)中，将普通卷积重构为逐通道卷积和逐点卷积的形式，有效减少了网络中的冗余参数；为进一步降低模型参数量，使用MobileNetv3作为特征提取网络。在减少参数量的同时，2种轻量化改进方法有效提高了模型的检测速度；在轻量化后的路径聚合网络(Path Aggregation Network, PANet)中加入卷积注意力模块(Convolutional Block Attention Module, CBAM),通过仅引入少量的参数来提高轻量化网络的损伤检测精度。实验结果表明，改进YOLOv4算法的平均精度均值(mean Average Precision, mAP)为89.82%,模型大小为73.29 MB,检测速度为37.3 FPS。与YOLOv4目标检测算法相比，改进YOLOv4算法以3.55%的mAP损失，使模型参数量降低了约2/3,检测速度提高了1.6倍，综合检测性能更优，可更好地满足孔探检测应用的需求，为航空发动机损伤智能化检测提供轻量化模型支撑。