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

基于剪枝和去噪的航空发动机故障图像识别与预测: 作者： 傅荣春雪刘君强冯潇楠余卓倩 来源： 航空计算技术 年份： 2023 文献类型： 期刊 关键词： YOLO 图像去噪 目标检测 孔探图像剪枝算法; 描述： 航空发动机叶片作为航空器重要的零件，其健康状况直接关系到航班的运行安全。叶片由于工作环境恶劣很容易产生裂纹、掉块、烧灼等损伤，目前基于孔探技术的叶片损伤检测以人工为主，检测结果在很大程度上受到人为因素的影响。因此，实现叶片损伤的自动识别及测量对于减轻劳动强度和提高检测精度都有实际的应用价值。首先选择PRIDnet图像去噪算法对原始孔探图像进行预处理，按照训练精度和训练速度两个指标对传统目标检测模型进行通道剪枝和微调。数据集采用国内某航空公司获取到CFM56型发动机在实际运营后机务人员所拍摄的孔探图像，实验结果表明，相比于原始目标检测YOLOv5算法和未经图像预处理的目标检测模型，本方法对航空发动机孔探图像内损伤的检测精度提高4%～10%,在检测效率上提高6%～20%。

基于深度学习的航空铆钉分类及异常情况检测: 作者： 夏正洪何琥吴建军魏汝祥 来源： 中国安全生产科学技术 年份： 2023 文献类型： 期刊 关键词： 召回率精确率深度学习 目标检测 航空铆钉; 描述： 针对航空铆钉小目标检测准确率较低、速率较慢等问题，提出1种基于深度学习的航空铆钉分类及异常情况检测方法。首先，根据钉头外观对航空铆钉进行分类，制作航空铆钉数据集；然后，构建航空铆钉分类及异常情况检测

基于SW/YOLO模型的航空发动机叶片损伤实时检测: 作者： 何宇豪曹学国刘信良蒋浩坤王静秋 来源： 推进技术 年份： 2023 文献类型： 期刊 关键词： 航空发动机实时检测叶片损伤深度学习 目标检测 孔探检测; 描述： 孔探检测技术是航空发动机叶片损伤检测的主要手段，但目前依赖人工操作，耗时耗力。本文提出了一个孔探视频检测的SW/YOLO模型，该模型包括输入端、主干网络、颈部网络、头部网络4个模块。首先，在主干网络加入了空间通道注意力模块（Spatial Channel / Convolutional Block Attention Module，SC/CBAM），有效避免位置信息丢失，提高目标边界回归能力，相较于YOLOv5，其平均精度均值mAP@0.5提高了5.4%。其次，在颈部网络对特征金字塔网络（Feature Pyramid Network，FPN）进行了改进，通过融合低层特征，扩大了模型感受野，有利于较小损伤区域的检测，如烧蚀损伤，平均精度提高了8.1%。最后，通过与YOLOv5，Faster R/CNN，SSD模型的对比实验，结果表明SW/YOLO模型的平均精度均值分别提高了7%，6.2%，6.3%，检测速度满足实时检测需求，有利于提高航空发动机孔探检测的自动化和智能化水平。

< 1 >