论文部分内容阅读
航空发动机是航空器的核心,其核心部件通常运转在高温、高压、高转速的恶劣环境,长期运转将导致关键部件使用性能下降,容易出现裂纹、刻痕、压坑、撕裂、凹痕、烧伤、腐蚀、叶尖卷边等损伤。作为航空器的动力心脏,及时观察发动机内部状况并判断其是否符合飞行标准成了航空维修的重要任务,是航空器安全飞行的重要保证。目前,应用于生产的检测手段主要是检验员使用工业内窥镜深入发动内部观察判断,这样的检测手段受限于人的行为能力,存在一定的局限性。由于航空发动机内部结构复杂,损伤种类繁多,缺陷形状、位置、区域面积变化多样,采用传统的图像处理方法存在难度,而卷积神经网络(Convolutional Neural Networks,CNNs)具有自动学习样本特征的能力,为发动机缺陷的自动检测打开了一扇大门。从基于CNN的区域建议网络模型(Regions with CNN,R-CNN)发展到改进的Fast R-CNN网络模型,最后到速度更快的Faster R-CNN网络模型,检测精度和检测速度不断提升,而面向实时检测的单次检测器(Single Shot MultiBox Detector,SSD)网络模型更是对象识别算法中的佼佼者。本文将重点研究上述基于卷积神经网络的对象检测模型并应用到航空发动机缺陷的自动检测中。本文通过对几种网络模型深入研究后,选择了使用小型网络的Faster R-CNN、使用大型网络的Faster R-CNN和使用大型网络的SSD模型进行发动机缺陷样本训练。训练完成后将测试数据集送入模型进行检验,三种模型得到的检测精度均好于原创模型的检测精度,尤其是使用大型网络的SSD网络模型检测精度达到了89.36%,平均检测速度约每秒29.8帧,检测速度已达到视频图像实时处理要求,满足了工业生产实时检测的标准。本文在上述研究的基础上,采用上述三种训练好的模型实现了一种发动机缺陷识别系统,为发动机缺陷快速诊断提供一个平台,并进行试验和应用。虽然,最终三个模型的检测精度无法达到100%的准确率,但是本文的研究为发动机缺陷的自动检测提供了一种可行的解决方案,为最终应用于生产奠定了基础。