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
- 基于深度学习的图像分割方法在通用航空应急救援中的应用研究
- 作者： 王馨悦 来源： 中国民用航空飞行学院 年份： 2022 文献类型 ： 学位论文 关键词： 鸟群活动图像分割 Net网络 优化U 通用航空应急救援 深度学习 图像分割 危险天气
- 描述： 基于深度学习的图像分割方法在通用航空应急救援中的应用研究
- 基于深度学习的航空图像目标检测
- 作者： 高子啸 来源： 中北大学 年份： 2021 文献类型 ： 学位论文 关键词： 智能交通管理 图像处理 深度学习 无人机 YOLOv3 车辆检测 Tiny算法
- 描述： 基于深度学习的航空图像目标检测
- 基于LSTM的民航航线客运量和航班票价预测研究
- 作者： 甘国育 来源： 昆明理工大学 年份： 2021 文献类型 ： 学位论文 关键词： 时间序列 长短期记忆网络 注意力机制 深度学习 客运量 机票价格
- 描述： 基于LSTM的民航航线客运量和航班票价预测研究
- 遥感图像飞机目标检测与识别关键技术研究
- 作者： 李冠典 来源： 长春理工大学 年份： 2022 文献类型 ： 学位论文 关键词： 飞机目标高效检测 遥感图像 卷积神经网络 深度学习 目标检测 飞机区域识别网络
- 描述： 遥感图像飞机目标检测与识别关键技术研究
- 基于深度学习的航空留机导管缺陷检测研究与实现
- 作者： 李斐 来源： 西安电子科技大学 年份： 2022 文献类型 ： 学位论文 关键词： 留机导管 R CNN 深度学习 Faster YOLOv4 缺陷检测
- 描述： 基于深度学习的航空留机导管缺陷检测研究与实现
- 基于深度学习的遥感图像飞机检测与分割
- 作者： 吴启凡 来源： 西安电子科技大学 年份： 2022 文献类型 ： 学位论文 关键词： 非对称卷积 遥感图像 R CNN 深度学习 Mask 自校准卷积
- 描述： 基于深度学习的遥感图像飞机检测与分割
- 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。
- 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。