论文部分内容阅读
密封圈被广泛用于航空航天器的密封系统中,其表面缺陷是导致密封失效的重要原因之一,因此,确保航天密封圈的表面质量尤为重要。针对当前人工检测效率低、传统图像处理检测算法通用性差的问题,本文研究基于深度学习的航天密封圈表面缺陷检测方法,通过分析缺陷成因及其图像特征,有针对性地改进并提出基于RetinaNet网络的检测算法,实现了密封圈表面缺陷的高效准确检测。论文首先构建了高质量的密封圈表面缺陷图像数据集,并对缺陷特征进行分析,发现航天密封圈表面缺陷具有小目标的特征,以及缺陷区域长宽比分布较集中。基于上述分析,对适用于这类缺陷特征的深度学习模块化技术展开研究,分别研究了锚框参数设置,特征提取模块选择以及损失函数设计三部分。为保证高精度检测密封圈表面缺陷的同时,实现实时检测,对轻量化模型和方法进行研究,并基于轻量级网络MoGaA,结合网络结构特性及密封圈表面缺陷特征,用分解卷积模块代替MoGaA中的深度卷积构建了newMoGaA网络。实验结果表明,与主流的骨干网络Vgg16、ResNet相比,newMoGaA在具有更少参数量和计算量的情况下,检测精度更高,达到72.3%。针对大部分缺陷具有小目标的特点,选取对小目标较敏感的RetinaNet网络作为缺陷检测算法的基础架构,通过在RetinaNet中引入MoGaA和newMoGaA网络,构建出MoGaA-RetinaNet和newMoGaA-RetinaNet算法。再针对缺陷的尺寸特征,改进边框回归损失函数和锚框参数,在密封圈表面缺陷测试集上的实验结果表明,改进损失函数和锚框参数的newMoGaA-RetinaNet算法检测精度最高,比基础网络RetinaNet算法准确率提升7%,达到94.5%,检测速度提升55%,达到31frame/s,网络参数量减少50%。最后,结合硬件特性和软件架构,将最佳检测算法编程实现并移植部署到密封圈表面缺陷检测设备上,并对其性能进行测试,结果表明,本文提出的改进损失函数和锚框参数的newMoGaA-RetinaNet算法,能够高效准确检测密封圈表面缺陷。