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
- 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。
- 一种基于TCN-LGBM的航空发动机气路故障诊断方法
- 作者： 吕卫民 孙晨峰 任立坤 赵杰 李永强 来源： 兵工学报 年份： 2023 文献类型 ： 期刊 关键词： 轻量级梯度提升机 注意力机制 航空发动机 故障诊断 时间卷积神经网络
- 描述： 长时间工作在高温高压、强振动等恶劣气路环境下的航空发动机经常面临部件疲劳、腐蚀和性能退化的问题，且其故障诊断时序逻辑性不强、故障参数耦合较深等特点十分明显，为此提出一种基于时间卷积神经网络(TCN)和轻量级梯度提升机(LGBM)的航空发动机气路故障诊断方法。故障诊断分为故障特征提取和分类诊断两个过程：引入TCN框架在保证故障数据训练时序逻辑的基础上，实现对远层历史信息和当前层信息的特征融合构建，融合通道注意力机制增强了高质量特征的权重；基于LGBM模型实现对特征的快速分类，利用贝叶斯方法实现对模型超参数的快速优化。以基于PROOSIS软件建模的某军用小涵道比涡扇发动机故障仿真数据为例，对6种故障模式进行诊断识别。研究结果表明：仿真结果说明了所提方法的有效性；通过与其他模型对比体现了该方法的优越性。
- 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%。
- 基于改进YOLOv5的航空发动机表面缺陷检测模型
- 作者： 李鑫 李香蓉 汪诚 李秋良 李卓越 来源： 激光与光电子学进展 年份： 2023 文献类型 ： 期刊 关键词： 注意力机制 航空发动机 机器视觉 YOLOv5 表面缺陷检测
- 描述： 针对目前航空发动机表面人工缺陷检测效率低的问题，本文提出了一种基于改进YOLOv5的缺陷检测模型YOLOv5-CE。首先在网络中融合数据增强策略搜索算法，自动为当前数据集搜索最佳的数据增强策略，实现训练效果的提升；其次在Backbone网络中引入坐标注意力机制，在通道注意力的基础上嵌入坐标信息，提高对小缺陷目标的检测能力；最后将YOLOv5的定位损失函数改进为EIoU loss，在加快模型收敛的同时提高预测框回归精度。实验表明，本文提出的YOLOv5-CE模型，相比原YOLOv5s网络，在检测速度几乎没有下降的情况下m AP值提高了1.2%，达到了98.5%，能够实现对航空发动机四种常见类型缺陷的高效智能检测。
- 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。