基于孔探数据的航空发动机叶片损伤识别研究

发布时间：2021-08-28 11:25

　　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、压坑等损伤,及时准确的日常检查对于维护叶片状态良好,保证航空器适航具有重要的意义。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。考虑到发动机内部结构复杂,传统的图像识别方法和深度学习领域中的目标检测技术各有优势,但是希望通过自主学习物体特征实现目标的自动识别与定位。因此本文首先采用YOLOv3模型和faster R-CNN（ZF）模型对收集到的孔探图像进行损伤识别定位;然后针对上述各模型的叶片损伤特征提取能力进行改进得到YOLOv3-dense模型和faster R-CNN（改进ZF）模型;最后在相同的数据集上分别进行训练和测试,经过检测精度、召回率等方面的评价将得到的检测结果进行对比选出性能最优的模型。在完成损伤识别与定位后需要对损伤进行尺寸测量,本文以掉块类型为研究目标。首先明确了损伤测量的特征点;然后结合八链码与伪边缘去除等方法扫描出受损叶片的轮廓曲... 

【文章来源】：中国民航大学天津市

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

训练过程中损失值变化

中国民航大学硕士学位论文33图3-3LabelImage的图形注释界面3.3基于YOLOv3和fasterR-CNN的叶片损伤识别3.3.1YOLOv3缺陷检测算法YOLO算法(例如fastYOLO，YOLOv2，YOLO9000等)已用于交通参与者的实时检测，实时水果检测，数字X射线诊断系统等领域，然而在航空发动机叶片损伤检测领域还没有使用过该种算法。YOLOv3是在YOLO、YOLOv2的基础上演变而来的，与基于区域的卷积神经网络(Region-basedConvolutionalNeuralNetwork,R-CNN)不同的是该系列的目标检测方法是将检测框架转化为空间分隔的边界框和相关类概率的回归问题，它不需要区域建议网络(RPN)，而是利用一个单一的神经网络在一次评估中完成对整张图像的边界框坐标和类概率预测。由于网络利用整张图的特征来全局考虑整个图像和图像中的所有对象，且整个检测过程是在单个网络上完成，所以可以直接在检测性能上进行端到端(End-to-End)的优化。与fasterR-CNN相比，这大大提高了检测速度。YOLO检测模型如图3-4所示，网络将训练集中的每个图像划分为SS(这里为简单起见取S=7)的网格，并为每一个网格单元预测B(这里取B=2)个边界框，每个边界框要预测边界框置信度及C个条件类概率，这些预测最终以SS(B5+C)维的张量表示，如图3-5所示。相较于YOLO，YOLOv2改善了

中国民航大学硕士学位论文39图3-9同一目标的多个检测边界框对于YOLO系列的目标检测算法，其关键信息包括目标的坐标偏移量、锚框的宽高信息、边界框的置信度以及条件类概率四种，由此损失函数根据其各自特点组合成了最终的损失函数(LossFunction)，具体公式如下：coordiouclsLoss=Error+Error+Error(3.2)对于坐标预测误差coordError为：2222221111=[()()][()()]SBSBobjobjcoordcoordijiiiicoordijiiiiijijErrorxxyywwhh====+++(3.3)coord表示坐标误差的权重，2S表示输入图像的网格数，B表示每个网格单元预测的边界框数，参照YOLO模型中的原始参数，在本研究中取5coord=，S=13，B=3；1objij=表示目标落入网格i中的第j个边界框，否则0objij=；nobjij表示没有任何目标落入网格i中的第j个边界框；(,,,)iiiixywh表示预测边界框的中心坐标、高度和宽度的值；(,,,)iiiixywh表示真实值。对于交并比误差iouError为：22221111=()()SBSBobjnobjiouijiinoobjijiiijijErrorCCCC====+(3.4)noobj表示交并比误差的权重，参考YOLO模型中的原始参数，在本研究中取=0.5noobj；iC表示预测的边界框概率值，iC表示真实边界框概率值。对于分类误差clsError为：

【参考文献】：
期刊论文
[1]航空发动机维护中孔探检测技术的应用[J]. 肖柏荣.  中国高新科技. 2019(15)
[2]航空发动机维修中孔探技术的应用分析[J]. 张栋善,赵成.  电子制作. 2019(12)
[3]基于工程管理措施的航空发动机孔探流程优化研究[J]. 谷亚南.  装备制造技术. 2019(06)
[4]基于帧间路径搜索和E-CNN的红枣定位与缺陷检测[J]. 曾窕俊,吴俊杭,马本学,汪传建,罗秀芝,王文霞.  农业机械学报. 2019(02)
[5]基于卷积特征的光纤缺陷检测方法[J]. 陈广,杨震.  中国惯性技术学报. 2019(01)
[6]基于动力特性及BP神经网络的风电机组叶片损伤识别[J]. 薛刚,苏天.  太阳能学报. 2018(10)
[7]浅谈CFM56-5B航空发动机的内窥镜检查和案列分析[J]. 潘敏嘉.  数字通信世界. 2018(09)
[8]孔探技术在航空发动机维修中的应用研析[J]. 吴冬.  智富时代. 2018(08)
[9]基于柔性电磁传感器的发动机叶片微缺陷检测[J]. 陈棣湘,潘孟春,田武刚,周卫红,谢瑞芳.  中国测试. 2018(01)
[10]孔探技术在民航发动机故障判断中的应用[J]. 邓晖,徐国富,莫竞荣,张泽平.  时代农机. 2018(01)

硕士论文
[1]深度学习及其在航空发动机缺陷检测中的应用研究[D]. 旷可嘉.华南理工大学 2017
[2]深度学习在风机叶片结构损伤识别中的仿真研究[D]. 张鑫.兰州交通大学 2016
[3]航空发动机叶片损伤图像快速识别技术研究[D]. 张维亮.沈阳航空航天大学 2014



本文编号：3368426