航空文献资源库

按文献类别分组

按栏目分组

按年份分组

按来源分组

关键词

融合注意力和多尺度特征的航空发动机缺陷检测: 作者： 赵崇林朱江胡永进李祖泽王鹏举谢涛 来源： 北京航空航天大学学报 年份： 2023 文献类型： 期刊 关键词： 注意力机制 航空发动机 YOLOv5 深度学习 缺陷检测; 描述： 航空发动机的结构完整性关乎飞行安全。目前基于孔探技术的航空发动机缺陷检测以人工操作为主。为提高检测精度和效率，提出了一种融合注意力和多尺度特征的航空发动机缺陷智能检测算法，以辅助孔探工作。首先，针对原始孔探图像中缺陷样本的类别不平衡问题，采用了一种基于几何变换和泊松图像编辑的多样本融合数据增强方法，丰富小样本图像并构建缺陷数据集。然后，在基准网络YOLOv5中融入协调注意力模块(CA)，以强调缺陷特征的提取，增强网络对缺陷目标和复杂背景的区分。在颈部网络中构建加权双向特征金字塔结构(BiFPN)，以完成更高层次的特征融合，提升对多尺度目标的表达能力。最后，将边界框回归损失函数定义为EIOU损失，实现对缺陷目标快速、准确地定位和识别。实验结果表明，本文算法检测缺陷的平均精确度达到了89.7％，较基准网络提升了6.3％，训练后的模型大小仅为14.0M。因此，所提方法可以有效地检测航空发动机的主要缺陷。

融合注意力和多尺度特征的航空发动机缺陷检测: 作者： 赵崇林朱江胡永进李祖泽王鹏举谢涛 来源： 北京航空航天大学学报 年份： 2023 文献类型： 期刊 关键词： 注意力机制 航空发动机 YOLOv5 深度学习 缺陷检测; 描述： 航空发动机的结构完整性关乎飞行安全。目前基于孔探技术的航空发动机缺陷检测以人工操作为主。为提高检测精度和效率，提出了一种融合注意力和多尺度特征的航空发动机缺陷智能检测算法，以辅助孔探工作。首先，针对原始孔探图像中缺陷样本的类别不平衡问题，采用了一种基于几何变换和泊松图像编辑的多样本融合数据增强方法，丰富小样本图像并构建缺陷数据集。然后，在基准网络YOLOv5中融入协调注意力模块(CA)，以强调缺陷特征的提取，增强网络对缺陷目标和复杂背景的区分。在颈部网络中构建加权双向特征金字塔结构(BiFPN)，以完成更高层次的特征融合，提升对多尺度目标的表达能力。最后，将边界框回归损失函数定义为EIOU损失，实现对缺陷目标快速、准确地定位和识别。实验结果表明，本文算法检测缺陷的平均精确度达到了89.7％，较基准网络提升了6.3％，训练后的模型大小仅为14.0M。因此，所提方法可以有效地检测航空发动机的主要缺陷。

基于Trans/Attention的飞行区航空器监视数据融合方法: 作者： 王兴隆尹昊丁俊峰 来源： 北京航空航天大学学报 年份： 2023 文献类型： 期刊 关键词： 场面监视雷达 注意力机制 Transformer 数据融合广播式自动相关监视; 描述： 针对飞行区航空器单一监视源存在监视精度低、位置跳变的问题，提出了一种基于Transformer和注意力机制的航空器监视数据融合方法。首先利用Transformer的编码器结构分别对各监视源数据进行特征提取，然后通过注意力机制对不同监视源赋予权重值，最后经过全连接网络进行回归计算，以获得最终的融合结果。选取场面监视雷达和广播式自动相关监视系统的监视数据作为融合源，多点定位数据作为真实标签，实验结果表明，该方法有效降低了单一监视源的监视误差，且融合效果优于基于注意力机制的长短期记忆网络、循环神经网络和扩展卡尔曼滤波融合方法，平均绝对误差分别提升了2.20%、14.32%和33.94%。

基于深度学习的航空发动机故障融合诊断: 作者： 车畅畅王华伟倪晓梅洪骥宇 来源： 北京航空航天大学学报 年份： 2018 文献类型： 期刊 关键词： 航空发动机故障诊断 深度学习 抗干扰能力决策融合; 描述： 通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合理论的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,首先利用深度学习算法提取出性能参数中的隐藏特征,得出故障分类置信度;然后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D-74R发动机故障系数用于数据仿真,通过实例验证本文提出算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。

遥感图像飞机目标高效搜检深度学习优化算法: 作者： 郭琳秦世引 来源： 北京航空航天大学学报 年份： 2019 文献类型： 期刊 关键词： 停机坪与跑道分割深度神经网络 深度学习 飞机目标检测大幅面遥感图像; 描述： 为了实现大幅面遥感图像中飞机目标的高效检测与准确定位,通过深度神经网络(DNN)的级联组合,提出了一种新颖的搜寻与检测相集成的飞机目标高效检测算法。首先,运用高性能的端到端DNN网络,进行停机坪与跑道区域的像素级高效精准分割,从而大幅度缩小飞机目标的搜索范围,以降低虚警发生概率,完成飞机目标候选检测区域的快速搜寻。然后,针对分割所得停机坪与跑道区域,借助手工数据集对YOLO网络模型进行迁移式强化训练,一方面可以弥补训练集在样本类型与数据规模上的不足,另一方面借助YOLO网络的强时效性优势对飞机目标的位置进行回归求解,可以显著提高飞机目标的检测效率。停机坪与跑道区域分割DNN网络在分割精度与时效性上具有显著优势,而迁移式强化训练YOLO网络不仅具有很高的检测效率,在检测精度上也能保持良好的性能。通过一系列综合实验与对比分析,验证了提出的搜寻与检测相集成的DNN级联组合式飞机目标高效检测算法的性能优势。

< 1 >