基于YOLOv3算法的深度神经网络在飞机表面缺陷识别中的应用

发布时间：2024-05-12 07:58

　　飞机结构在使用寿命期内要受到疲劳载荷和腐蚀环境等因素的作用,因而会产生疲劳、腐蚀等损伤缺陷,其缺陷一般表现为飞机蒙皮表面的腐蚀老化,桁条与蒙皮胶结点焊部位严重腐蚀导致结构变形、脱焊和穿孔,铝合金连接部位出现腐蚀活性点和开始膜下腐蚀,机翼上壁板螺钉连接部位严重腐蚀等一系列问题。会对飞行安全造成严重影响,轻则是加重飞机部件损伤影响飞行品质,重则是在飞行过程中出现油箱,起落架掉落,蒙皮被撕裂等严重的事故,对飞行和地面人员安全造成严重的安全威胁。为解决飞机表面的缺陷识别问题,本论文开发一种基于YOLOv3算法的深度神经网络预测模型用于飞机表面缺陷识别。通过收集飞机的表面缺陷图片作为数据集,并将其分为蒙皮掉漆、蒙皮裂纹、螺纹锈蚀、蒙皮变形、蒙皮撕裂5种缺陷,送入搭建好的飞机表面缺陷预测模型进行训练和测试。该模型在测试环境中对单张图片的识别速度在30-50ms之间,且在训练集和测试集上的识别准确率分别为90.8%、76%,召回率分别为80%、72%。测试实验结果表明,分辨率不同的样本图像对飞机表面缺陷预测模型的识别准确率有一定影响,特别是在低分辨率图像样本上的识别准确率较低。飞机表面缺陷预测模型对...

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 选题背景及研究意义
    1.2 国内外研究现状
    1.3 研究内容及安排
第2章 深度神经网络基础
    2.1 深度神经网络
        2.1.1 神经元结构
        2.1.2 多层感知机
        2.1.3 反向传播算法
    2.2 卷积神经网络结构
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 全连接层
        2.2.4 残差层
        2.2.5 Dropout失活单元
        2.2.6 全局平均池化
    2.3 目标检测算法
    2.4 本章小结
第3章 飞机表面缺陷样本采集与预处理
    3.1 飞机表面缺陷图像采集
        3.1.1 样本采集要求
        3.1.2 样本采集方式
    3.2 飞机表面缺陷分类
    3.3 数据预处理
        3.3.1 样本预处理流程
        3.3.2 图像样本修复
        3.3.3 图像增强
        3.3.4 图像降采样
    3.4 数据集的建立
        3.4.1 数据集的组成
        3.4.2 图像标注步骤
    3.5 本章小结
第4章 飞机表面缺陷检测模型的训练与验证
    4.1 基于YOLOv3 的飞机表面缺陷检测模型
        4.1.1 检测模型检测流程
        4.1.2 检测模型网络结构
        4.1.3 bounding box预测机制
        4.1.4 飞机表面缺陷检测模型损失函数
        4.1.5 飞机表面缺陷检测实现
    4.2 网络训练
        4.2.1 试验平台的搭建
        4.2.2 模型预训练
        4.2.3 模型的二次训练
        4.2.4 模型验证
    4.3 本章小结
第5章 模型实验与分析
    5.1 飞机表面缺陷检测模型评价指标
        5.1.1 精确率、准确率和召回率
        5.1.2 置信度与置信区间
        5.1.3 模型的单次预测时间
    5.2飞机表面缺陷检测实验
        5.2.1 准确率和召回实验
        5.2.2 样本实验
        5.2.3 对比实验
    5.3 实验结果分析
        5.3.1 召回率与准确率分析
        5.3.2 样本实验结果分析
        5.3.3 对比实验分析
    5.4 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间取得的学术成果
致谢



本文编号：3971090