论文部分内容阅读
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于单一或者聚集但间隔距离较远的缺陷能够迅速识别;对于缺陷呈密集交叠出现或者外部特征相似的飞机蒙皮缺陷该模型识别效果较差;对于黑夜和强光条件下的飞机蒙皮缺陷识别,如果飞机蒙皮缺陷特征被遮挡不明显,则有较好的识别效果,如果飞机蒙皮缺陷特征被明显遮挡,则模型识别失败。最后通过和基于Faster-RCNN算法的模型在同样的数据集上进行对比实验发现,基于Faster-RCNN的模型对同一目标的置信度上要高于基于YOLOv3的模型;在小目标为主的铆钉缺陷识别中的识别准确率为86%;对其余缺陷种类的识别准确率都在68%-74%之间;在测试环境中对单张图片的识别速度在50ms-2s之间。故在对目标置信度预测和对小目标的识别方面,基于Faster-RCNN的模型要优于基于YOLOv3的模型;但在准确率和速度方面要逊于基于YOLOv3的表面缺陷检测模型。特别是识别速度方面,在同样的条件下基于Faster-RCNN的模型对单张样本的预测时长是基于YOLOv3的模型的2倍以上。