【技术实现步骤摘要】
一种基于人工智能的航空发动机叶片缺陷快速精准识别方法
本专利技术属于航空发动机叶片加工制造及质检领域，尤其涉及一种基于人工智能的航空发动机叶片缺陷快速精准识别方法。
技术介绍
涡轮叶片是航空发动机的核心部件之一，随着飞机性能的不断提升，对其可靠性检测要求也愈加苛刻。涡轮叶片缺陷检测从传统的胶片检测逐步发展到现在的计算机射线断层扫描检测，同时对射线检测的客观性、准确性和可靠性要求也越来越高。现有的发动机叶片由于内部结构复杂，一般采用无余量精铸成型。在工艺成型的过程中，经常导致成型叶片内部存在裂纹、冷隔、气孔、夹渣、疏松等缺陷。相对于叶片的外部缺陷，叶片的内部缺陷，如气孔、夹渣、疏松等缺陷很难通过常规的方法发现，潜在的危害也就更大。对上述缺陷的检测，目前的基本做法是通过射线断层扫描涡轮叶片，随后对扫描产生的叶片CT图像进行人工评定。但该类做法存在经验差异、眼睛疲劳、标准理解等人为因素影响，使得叶片缺陷检测过程中容易出现漏检、误检的情况，进而容易引发飞行安全事故。近年来，人工智能技术逐渐应用于缺陷检测，并且已经在焊缝、孔洞...
【技术保护点】
1.一种基于人工智能的航空发动机叶片缺陷快速精准识别方法，其特征在于：包括以下步骤：/n步骤1：建立涡轮叶片射线检测图像数据库，包括完好叶片图像数据库和缺陷叶片图像数据库；其中缺陷叶片图像数据库中对每个缺陷叶片数字图像中的缺陷的种类和位置进行了标定；/n步骤2：建立并训练航空发动机叶片初检模型：/n选择DenseNet模型，去掉其中的Classification层，在该模型的第4次Dense Block后连接两个全连接层，随后连接一个二分类的输出层，从而建立二分类的深度卷积网络模型作为航空发动机叶片初检模型；/n采用完好叶片图像和缺陷叶片图像作为样本数据对航空发动机叶片初检...
【技术特征摘要】
1.一种基于人工智能的航空发动机叶片缺陷快速精准识别方法，其特征在于：包括以下步骤：
步骤1：建立涡轮叶片射线检测图像数据库，包括完好叶片图像数据库和缺陷叶片图像数据库；其中缺陷叶片图像数据库中对每个缺陷叶片数字图像中的缺陷的种类和位置进行了标定；
步骤2：建立并训练航空发动机叶片初检模型：
选择DenseNet模型，去掉其中的Classification层，在该模型的第4次DenseBlock后连接两个全连接层，随后连接一个二分类的输出层，从而建立二分类的深度卷积网络模型作为航空发动机叶片初检模型；
采用完好叶片图像和缺陷叶片图像作为样本数据对航空发动机叶片初检模型进行训练；
步骤3：建立并训练航空发动机叶片复检模型：
分别基于FasterRCNN算法和SSD算法建立缺陷检测识别模型；
从缺陷叶片图像数据库中选择缺陷检测训练数据和缺陷检测测试数据，分别训练基于FasterRCNN算法和SSD算法建立的缺陷检测识别模型，得到两套航空发动机叶片缺陷复检模型；
步骤4：利用步骤2得到的航空发动机叶片初检模型，检测航空发动机叶片是否含有缺陷，对判断有缺陷的航空发动机叶片，则进一步利用步骤3得到的航空发动机叶片复检模型检测并识别缺陷的种类和位置；其中最终的缺陷种类置信度和位置信息由两套航空发动机叶片缺陷复检模型输出的缺陷种类置信度和位置信息分别进行加权平均而得到。
2.根据权利要求1所述一种基于人工智能的航空发动机叶片缺陷快速精准识别方法，其特征在于：步骤1中，涡轮叶片射线检测图像数据库中的数字图像包括通过计算机断层扫描技术对叶片扫描后得到的数字图像，也包括对已有叶片X射线扫描胶片进行数字化处理得到的数字图像，还包括通过对已有数字图像进行图片扩展及数据增强处理后得到的数字图像。
3.根据权利要求2所述一种基于人工智能的航空发动机叶片缺陷快速精准识别方法，其特征在于：对已有叶片X射线扫描胶片进行数字化处理的过程为：
采用片数字化扫描仪对叶片X射线扫描胶片进行数字化处理，其中对叶片X射线扫描胶片进行黑度范围0.5-4.5D的DS级扫描，扫描最高分辨率为7980×9690和570DPI，线对达到11LP/mm，几何清晰度在横向和纵向上优于1％或2个像素；
在数字化处理后基于超分辨率技术，通过边缘导向插值以及基于图像数据结构拟合方法，进一步消除扫描过程中的噪点、灰度偏差和纹理损失。
4.根据权利要求1...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。