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。

基于CNN的航空图像目标检测算法研究

作者： 刘瑞   来源： 电子科技大学 年份： 2021 文献类型 ： 学位论文 关键词： 航空图像   CNN   YOLOv5   目标检测   无人机  

描述： 基于CNN的航空图像目标检测算法研究

基于HoloLens的航空发动机典型部件识别关键技术研究

作者： 朱俊名   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： 航空发动机部件识别   YOLOv5   增强现实   深度学习   HoloLens  

描述： 基于HoloLens的航空发动机典型部件识别关键技术研究

基于多传感器的飞机行李火灾智能识别技术研究

作者： 朱博   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： 火焰检测   k近邻算法   YOLOv5   分类算法   多传感器  

描述： 基于多传感器的飞机行李火灾智能识别技术研究

基于YOLOv5模型的遥感影像飞机目标检测

作者： 刘昕迪   来源： 长安大学 年份： 2022 文献类型 ： 学位论文 关键词： YOLOv5   高分辨率影像   小目标检测   光学遥感   模型剪枝  

描述： 基于YOLOv5模型的遥感影像飞机目标检测

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。