全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
关键词
- 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。
- 一种航空影像建筑物检测的轻量化CNN建模方法
- 作者： 甘文祥 张远谊 李欣园 来源： 地理空间信息 年份： 2023 文献类型 ： 期刊 关键词： 建筑物检测 CNN 轻量化网络 航空影像 深度可分离卷积
- 描述： 以卷积神经网络为代表的深度学习方法大幅提高了遥感影像建筑物自动检测精度，但由于建筑物复杂多样，为了提取区分能力更强的图像特征，现有卷积神经网络方法往往倾向于构建层次复杂、参数庞大的深度模型。这使得模型的存储和内存开销都较高、检测速率也容易受到影响，一定程度上造成在移动设备平台或灾害应急等场合的应用受限。针对此问题，提出一种用于航空影像建筑物检测的轻量化卷积神经网络建模方法，采用深度可分离卷积方法对复杂网络进行简化，大幅减少了计算量，并较好地维持了原有精度。实验表明新方法相比改进前，在计算量和参数量分别减少86%和87%、训练时间缩短10%的情况下，建筑物检测的精度仅降低3%。
- 不完整实例引导的航空发动机叶片实例分割
- 作者： 黄睿 张超群 成旭毅 邢艳 张宝 来源： 计算机应用 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机 损伤检测 实例分割 发动机叶片 交互式分割
- 描述： 航空发动机安全是影响飞行安全的重要因素，在航空发动机损伤检测中常需要分割发动机的单个叶片以判断发动机叶片的损伤程度。然而，当前基于深度学习的实例检测方法在进行发动机叶片分割时，由于缺少带标注的发动机叶片数据，导致无法充分训练网络模型，得到次优的分割结果。为了提升航空发动机叶片实例分割精度，提出了基于不完整实例引导的航空发动机叶片实例分割方法。结合已有的实例分割方法和交互式分割方法，得到较好的发动机叶片分割结果。首先，使用少量标注数据训练实例分割网络，得到发动机叶片的初步分割结果。其次，针对检测到的单个叶片，将其分为前景和背景两部分，通过选择前景种子点和背景种子点，利用交互式分割方法的思想，产生完整的单个叶片的分割结果。依次处理完所有的叶片后，将结果合并得到最终的发动机叶片实例分割结果。使用72张图像训练基于稀疏实例激活图的实时实例分割方法（SparseInst）产生初始的实例分割结果，在56张图像上进行测试。提出的不完整实例引导的航空发动机叶片实例分割方法的平均精度（mAP）比SparseInst的平均精度高5.1个百分点。所提算法的结果均优于当前流行的实例分割方法MASK R-CNN、YOLACT、BMASK-RCNN的结果。
- 不完整实例引导的航空发动机叶片实例分割
- 作者： 黄睿 张超群 成旭毅 邢艳 张宝 来源： 计算机应用 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机 损伤检测 实例分割 发动机叶片 交互式分割
- 描述： 航空发动机安全是影响飞行安全的重要因素，在航空发动机损伤检测中常需要分割发动机的单个叶片以判断发动机叶片的损伤程度。然而，当前基于深度学习的实例检测方法在进行发动机叶片分割时，由于缺少带标注的发动机叶片数据，导致无法充分训练网络模型，得到次优的分割结果。为了提升航空发动机叶片实例分割精度，提出了基于不完整实例引导的航空发动机叶片实例分割方法。结合已有的实例分割方法和交互式分割方法，得到较好的发动机叶片分割结果。首先，使用少量标注数据训练实例分割网络，得到发动机叶片的初步分割结果。其次，针对检测到的单个叶片，将其分为前景和背景两部分，通过选择前景种子点和背景种子点，利用交互式分割方法的思想，产生完整的单个叶片的分割结果。依次处理完所有的叶片后，将结果合并得到最终的发动机叶片实例分割结果。使用72张图像训练基于稀疏实例激活图的实时实例分割方法（SparseInst）产生初始的实例分割结果，在56张图像上进行测试。提出的不完整实例引导的航空发动机叶片实例分割方法的平均精度（mAP）比SparseInst的平均精度高5.1个百分点。所提算法的结果均优于当前流行的实例分割方法MASK R-CNN、YOLACT、BMASK-RCNN的结果。