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。

一种基于级联神经网络的飞机检测方法

作者： 王晓林   苏松志   刘晓颖   蔡国榕   李绍滋   来源： 智能系统学报 年份： 2021 文献类型 ： 期刊 关键词： 嵌入式设备   遥感图像   级联   卷积神经网络   两阶段   深度学习   飞机检测   由粗到细  

描述： 由于旋转角度多样性、极端的尺度差异的影响,遥感图像中的飞机检测目前仍存在挑战。为了解决旋转和尺度的问题,目前的策略是将现有的自然场景下的目标检测算法(如Faster R-CNN、SSD等)直接迁移到遥感图像中。这些算法的主干网络复杂,模型占用空间大,难以应用到低功耗和嵌入式设备中。为了在准确率不降低的情况下提高检测速度,本文提出了一个仅包含9层的卷积神经网络来解决飞机检测问题。该网络采用了由粗到细的策略,通过级联两个网络的方式减少计算开销。为了评估方法的有效性,我们建立了一个针对飞机检测的遥感数据集。实验结果表明,该方法超越了VGG16等复杂的主干网络,达到了接近主流检测方法的性能表现,同时显著降低了参数量并使检测速度提高了2倍以上。

大面幅光学遥感影像飞行器目标快速检测

作者： 张作省   来源： 中国科学院大学(中国科学院长春光学精密机械与物理研究所) 年份： 2018 文献类型 ： 学位论文 关键词： YOLO   遥感影像   遥感视频   飞行器检测   深度学习   目标识别   机场检测   残差网络  

描述： 大面幅光学遥感影像飞行器目标快速检测

基于深度学习的遥感影像飞机目标检测与识别技术研究

作者： 谭振宇   来源： 战略支援部队信息工程大学 年份： 2020 文献类型 ： 学位论文 关键词： R   遥感影像   CNN算法   目标检测   深度学习   Faster   飞机目标   YOLO算法  

描述： 基于深度学习的遥感影像飞机目标检测与识别技术研究

基于深度学习的民机系统维修决策研究

作者： 车畅畅   来源： 南京航空航天大学 年份： 2018 文献类型 ： 学位论文 关键词： 维修决策   深度信念网络   维修等级决策   深度学习   结构方程模型   维修感知   民机系统   故障预测  

描述： 基于深度学习的民机系统维修决策研究

基于深度学习的航司航空发动机智能损伤检测一体化解决方案

作者： 王锦申   黄旭   万夕里   来源： 航空维修与工程 年份： 2022 文献类型 ： 期刊 关键词： 损伤检测   编码器   发动机   目标检测   深度学习   一体化解决方案   神经网络   在线计数   孔探检测  

描述： 航空发动机作为飞机的关键部件，其损伤诊断和维护是保障飞机飞行安全的核心任务。目前，通过人工的定期孔探检测开展检查和维护工作，既费时又容易出错。为此，本文给出了融合上下文编码的神经网络深度学习框架、深度融合网络、目标检测和追踪算法等三种深度学习方法，以实现对大型航司发动机的损伤进行识别、检测、追踪、在线计数和孔探报告自动生成。实现结果表明这些方法对减轻劳动强度、提高生产效率和提高检测精度具有实际的应用价值，对保证发动机适航具有重要意义。

基于统一网络架构的多模态航空影像质量评价研究

作者： 闫婧   武林伟   刘伟杰   韩如雪   来源： 现代电子技术 年份： 2023 文献类型 ： 期刊 关键词： 无参考模型   特征提取   卷积神经网络   特征融合   多模态数据   深度学习   网络结构   影像质量评价  

描述： 高质量无人机航空影像是目标检测、分析、识别的重要前提条件，但各类传感器成像机理不同，质量影响因素多样，往往需要根据不同模态数据的特性设计不同的网络模型，从而大大增加了质量评价算法在无人机上的应用难度。针对这一问题，提出一种基于统一网络框架的无参考多模态影像质量评价模型，通过自适应地学习图像块内部的局部特征与图像块之间的相互关系，完成空间维度上的全局信息融合和时间维度上的时序信息融合，实现对多种模态影像数据的质量评估，进而快速有效地监测筛选采集数据的质量，提高有效数据采集效率。实验结果表明，该方法在多种模态的影像数据质量评价上具备泛用性和有效性。