一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质，其中方法包括：利用工业内窥镜实时采集航空发动机内部的孔探图像；提出改进全卷积一阶段目标检测器算法；利用获取图像对改进全卷积一阶段目标检测器算法网络进行训练，并利用评价指标进行验证，对实时传入的航空发动机内部的孔探监控视频输入模型，进行逐帧实时检测，输出损伤类别和损伤位置；对检测置信度超过设定阈值的结果产生事件报警信号。本发明专利技术提出的方法，基于改进的算法利用孔探图像对航空发动机内部常见的损伤进行识别和检测，确定损伤类型和发生位置，航空发动机的高精度无损检测和智能化健康管理具有十分重要的应用价值。

【技术实现步骤摘要】
一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质
本专利技术涉及航空发动机损伤检测领域，特别是指一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质。
技术介绍
航空发动机是为飞行器提供动力，保障其正常运行的关键器件。航空发动机处于高温高压的极端工作环境下工作，容易发生形态各异的各种类别的损伤，其中常见的损伤发生在发动机叶片、转子和壁面等部位，损伤类型包括卷边、凹痕、缺失、缺口、撕裂、裂纹等。目前，航空发动机损伤检测方法主要分为破坏性检测和无损检测技术，其中利用工业内窥镜得到航空发动机的内部结构孔探图像属于无损检测范畴，且在机械与电气设备探伤检测中得到广泛应用；但是，航空发动机损伤类型多样且孔探图像分辨率较低，利用传统的特征提取方法，如边缘检测、小波变换等对孔探图像进行检测识别的精度不高。
技术实现思路
本专利技术的主要目的在于克服现有技术中的上述缺陷，提出一种基于深度学习的航空发动机无损检测方法，基于改进的算法，利用孔探图像对航空发动机内部常见的损伤进行识别和检测，确定损伤类型和发生位置；本专利技术对航空发动机的高精度无损检测和智能化健康管理具有十分重要的应用价值。本专利技术采用如下技术方案：本专利技术一方面提供一种基于深度学习的航空发动机无损检测方法，包括如下步骤：数据获取：利用工业内窥镜实时采集航空发动机内部的孔探图像；模型构建：基于全卷积一阶段目标检测器算法，根据航空发动机孔探图像的损伤类型识别和检测的特点，提出改进全卷积一阶段目标检测器算法；模型训练：利用获取的所述航空发动机内部的孔探图像建立数据集；将所述数据集分为训练集和测试集，将训练接输入构建的所述改进全卷积一阶段目标检测器算法网络进行训练，利用评价指标对测试集的测试结果进行验证，完成所述改进全卷积一阶段目标检测器算法模型的训练；模型应用和检测：对实时传入的航空发动机内部的孔探监控视频输入模型，进行逐帧实时检测，输出损伤类别和损伤位置。检测结果反馈：对检测置信度超过设定阈值的结果产生事件报警信号，经人工专家确认后，若是错误检测，则取消“事件报警”，若是正确检测，发布维护任务给航空发动机检修专员。具体地，所述数据获取：利用工业内窥镜实时采集航空发动机内部的孔探图像，具体包括：将工业内窥镜分别置于航空发动机内部叶片、转子和壁面，实时采集获得孔探视频数据，并按帧分割成孔探图像数据，将图像大小调整为416×416×3的RGB三通道图像。具体地，所述改进全卷积一阶段目标检测器算法，具体包括：改进全卷积一阶段目标检测器算法模型包括骨干网络、特征金字塔网络和目标检测头网络，其中，所述骨干网络采用ResNeXt101-DCN，所述ResNeXt101-DCN是将可变形卷积算法引入增强版残差卷积网络结构ResNeXt，所述特征金字塔网络引入坐标卷积；引入空间金字塔池化操作至特征金字塔网络最顶层的特征图上；所述目标检测头网络包含两个分支，其中第一分支为分类和边界框回归分支，第二分支为Polarcenterness分支。具体地，所述改进全卷积一阶段目标检测器算法，还包括：采用MatrixNMS方法处理生成的预测框结果，为置信度分数不是最大的预测框j给定一个衰减因子decayj，乘上衰减因子之后，其置信度分数由原来的scorej变成new_scorej：new_scorej＝scorej·decayj衰减因子decayj取决于：(1)比预测框j的置信度分数scorej要高的任意预测框i对j的惩罚函数f(ioui,j)，即：式中，这里ioui,j表示预测框i和j的交并比，f使用高斯衰减函数，exp为指数函数，σ为常系数(σ＝0.5)；衰减因子decayj还取决于：(2)比预测框j置信度分数要高的预测框i被抑制的概率prob(iou·,i)，计算方法如下：则预测框j的衰减因子decayj的计算公式为：具体地，模型训练：将训练接输入构建的所述改进全卷积一阶段目标检测器算法网络进行训练，具体包括：使用随机梯度下降法进行训练迭代，初始学习率设置为0.005，对网络训练中的参数权重通过使用指数滑动平均方法，指数滑动平均方法方法是具体计算迭代过程如下式：EMAt＝β·EMAt-1+(1-β)·θt；其中，θt为训练过程中在t时刻网络的各参数的原始值，β为指数滑动平均方法的衰减因子，β∈[0,1)；EMAt为t时刻经过指数滑动平均后得到的参数值，并设定其初始值为EMA0＝0。具体地，所述利用评价指标对测试集的测试结果进行验证，其中所述评价指标包括：所述评价指标包括：交并比和平均精度均值；其中，交并比和平均精度均值的计算公式如下：式中，IOU为交并比，mAP为平均精度均值，Area(G)表示所标注的真实框的面积，Area(P)表示通过IFCOS模型所得到的预测框的面积，Area(G)∩Area(P)表示真实框与预测框相交部分的面积，Area(G)∪Area(P)即表示真实框与预测框的并集(面积之和)；Num(TP)表示对于特定的目标类别被正确预测的数量，Num(All)表示该类别被实际标注的数量，Num(Cls)表示目标类别数量。本专利技术另一方面提供一种基于深度学习的航空发动机无损检测装置，包括：前端智能在线监测模块，利用专业的工业内窥镜实时采集航空发动机内部的孔探图像；航空发动机损伤检测模块：(1)模型构建，基于全卷积一阶段目标检测器算法，根据航空发动机孔探图像的损伤类型识别和检测的特点，提出改进全卷积一阶段目标检测器算法；(2)模型训练，利用获取的所述航空发动机内部的孔探图像建立数据集；将所述数据集分为训练集和测试集，将训练接输入构建的所述改进全卷积一阶段目标检测器算法网络进行训练，利用评价指标对测试集的测试结果进行验证，完成所述改进全卷积一阶段目标检测器算法模型的训练；模型应用和检测模块：对实时传入的航空发动机内部的孔探监控视频输入模型，进行逐帧实时检测，输出类别损伤和损伤位置；可视化管控平台模块：生成Web应用或本机应用，将航空发动机损伤检测模块的损伤类别和位置预测结果输出至应用上显示，方便工程人员及时了解航空发动机的受损情况或健康状态；并记录下受损类型、受损部位和监测时间，便于专业人员查验；响应执行模块：对于检测置信度超过设定阈值的结果产生事件报警信号，并将信号发送至人工专家的移动端；经人工专家确认后，若是错误检测，则取消“事件报警”，若是正确检测，发布维护任务给航空发动机检修专员。再一方面，本专利技术提供一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述技术方案的方法的步骤。提供一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述技术方案的方法的步骤。由上述对本专利技术本文档来自技高网...

【技术保护点】
1.一种基于深度学习的航空发动机无损检测方法，其特征在于，包括如下步骤：/n数据获取：利用工业内窥镜实时采集航空发动机内部的孔探图像；/n模型构建：基于全卷积一阶段目标检测器算法，根据航空发动机孔探图像的损伤类型识别和检测的特点，提出改进全卷积一阶段目标检测器算法；/n模型训练：利用获取的所述航空发动机内部的孔探图像建立数据集；将所述数据集分为训练集和测试集，将训练接输入构建的所述改进全卷积一阶段目标检测器算法网络进行训练，利用评价指标对测试集的测试结果进行验证，完成所述改进全卷积一阶段目标检测器算法模型的训练；/n模型应用和检测：对实时传入的航空发动机内部的孔探监控视频输入模型，进行逐帧实时检测，输出损伤类别和损伤位置；/n检测结果反馈：对检测置信度超过设定阈值的结果产生事件报警信号，经人工专家确认后，若是错误检测，则取消“事件报警”，若是正确检测，发布维护任务给航空发动机检修专员。/n

【技术特征摘要】
1.一种基于深度学习的航空发动机无损检测方法，其特征在于，包括如下步骤：
数据获取：利用工业内窥镜实时采集航空发动机内部的孔探图像；
模型构建：基于全卷积一阶段目标检测器算法，根据航空发动机孔探图像的损伤类型识别和检测的特点，提出改进全卷积一阶段目标检测器算法；
模型训练：利用获取的所述航空发动机内部的孔探图像建立数据集；将所述数据集分为训练集和测试集，将训练接输入构建的所述改进全卷积一阶段目标检测器算法网络进行训练，利用评价指标对测试集的测试结果进行验证，完成所述改进全卷积一阶段目标检测器算法模型的训练；
模型应用和检测：对实时传入的航空发动机内部的孔探监控视频输入模型，进行逐帧实时检测，输出损伤类别和损伤位置；
检测结果反馈：对检测置信度超过设定阈值的结果产生事件报警信号，经人工专家确认后，若是错误检测，则取消“事件报警”，若是正确检测，发布维护任务给航空发动机检修专员。


2.根据权利要求1所述的一种基于深度学习的航空发动机无损检测方法，其特征在于，所述数据获取：利用工业内窥镜实时采集航空发动机内部的孔探图像，具体包括：
将工业内窥镜分别置于航空发动机内部叶片、转子和壁面，实时采集获得孔探视频数据，并按帧分割成孔探图像数据，将图像大小调整为416×416×3的RGB三通道图像。


3.根据权利要求1所述的一种基于深度学习的航空发动机无损检测方法，其特征在于，所述改进全卷积一阶段目标检测器算法，具体包括：
改进全卷积一阶段目标检测器算法模型包括骨干网络、特征金字塔网络和目标检测头网络，其中，所述骨骼网络采用ResNeXt101-DCN，所述ResNeXt101-DCN是将可变性卷积算法引入增强版残差卷积网络结构ResNeXt，所述特征金字塔网络引入坐标卷积；引入空间金字塔池化操作至特征金字塔网络最顶层的特征图上；所述目标检测头网络包含两个分支，其中第一分支为分类和边界框回归分支，第二分支为Polarcenterness分支。


4.根据权利要求3所述的一种基于深度学习的航空发动机无损检测方法，其特征在于，所述改进全卷积一阶段目标检测器算法，还包括：
采用MatrixNMS处理预测框结果，为置信度分数不是最大的预测框j给定一个衰减因子decayj，乘上衰减因子之后，其置信度分数由原来的scorej变成new_scorej：
new_scorej＝scorej·decayj
衰减因子decayj取决于：(1)比预测框j的置信度分数scorej要高的任意预测框i对j的惩罚函数f(ioui,j)，即：



式中，这里ioui,j表示预测框i和j的交并比，f使用高斯衰减函数，exp为指数函数，σ为常系数；
(2)比预测框j置信度分数要高的预测框i被抑制的概率prob(iou·,i)，计算方法如下：



则预测框j的衰减因子decayj的计算公式为：





5.根据权利要求1所述的一种基于深度学习的航空发动机无损检测方法，其特征在于...

【专利技术属性】
技术研发人员：曾念寅，吴佩树，李寒，宋丹丹，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35