基于YOLOv5的航空发动机运维中叶片裂纹实时检测方法及装置制造方法及图纸

本发明专利技术提供了一种基于YOLOv5的航空发动机运维中叶片裂纹实时检测方法及装置，涉及航空发电机检测技术领域，方法包括：发送第一指令以获取发动机内部叶片图像；对发动机内部叶片图像进行预处理以获取测试数据集、训练数据集以及验证数据集；输入训练数据集至预先设置的YOLOv5网络模型进行训练，利用验证数据集对训练导出的模型效果进行初步评估以对模型进行调整，利用训练好的权重文件与测试数据集进行测试，并获取mAP值以及P

【技术实现步骤摘要】
基于YOLOv5的航空发动机运维中叶片裂纹实时检测方法及装置


[0001]本专利技术涉及航空发电机检测
，尤其是涉及一种基于YOLOv5的航空发动机运维中叶片裂纹实时检测方法及装置。

技术介绍

[0002]航空发动机叶片的正常运转可以为发动机提供持续不断的飞行动力，它服役时间往往较长，这样的环境容易使其产生疲劳裂纹，这些发动机叶片上的裂纹对航空发动机的正常运行构成了潜在的威胁。未及时处理的裂纹会进一步恶化，进而导致整个发动机的瘫痪失效，这对正常的航空飞行产生了严重的威胁。事实上，只要发动机叶片上存在裂纹，无论其大小如何，都会危及人员并对机器构成严重的威胁，重则机毁人亡，造成不可挽回的损失。长期以来，涡轮叶片断裂引发的飞行事故在飞行中屡见不鲜，因此为了保障航空发动机安全地运行，对叶片裂纹的定期检测至关重要。
[0003]现有检测叶片裂纹的方法包括：孔探仪和渗透检测法、X射线和磁粉检测法、涡流和超声检测等传统方法；Faster R
‑
CNN双阶段算法等图像处理方法。传统方法主要存在的问题：人工标记数量有限且鲁棒性较差，工艺流程步骤多，耗时费力等。
[0004]目标检测算法分为单阶段和双阶段算法，单阶段算法在图像信息输入后进行定位预测，并直接输出结果，检测速度快但锚框较多，需要对锚框的选取进行优化，YOLO是单阶段目标检测的代表算法，一次性输出目标框的位置和类别置信度；双阶段算法将锚框进行分类回归，进行多次检测及更新，速度较单阶段算法慢，结构不够灵活，但网络融合度高。
[0005]综上所述，现有技术中叶片裂纹检测方法依靠人工标记，效率低下，同时目标检测算法无法满足同时兼顾叶片检测速度与叶片检测网络灵活度。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供一种基于YOLOv5的航空发动机运维中叶片裂纹实时检测方法及装置，以提高现有技术中叶片裂纹的检测速度，提高叶片裂纹检测算法的网络灵活度。
[0007]第一方面，本专利技术实施例提供了一种基于YOLOv5的航空发动机运维中叶片裂纹实时检测方法，应用于上位机，具体包括如下步骤：
[0008]发送第一指令以获取发动机内部叶片图像；
[0009]对所述发动机内部叶片图像进行预处理以获取测试数据集、训练数据集以及验证数据集；
[0010]输入所述训练数据集至预先设置的YOLOv5网络模型进行训练，利用验证数据集对训练导出的模型效果进行初步评估以对模型进行调整，利用训练好的权重文件与测试数据集进行测试，并获取mAP值以及P
‑
R曲线对模型进行最终评估；
[0011]实时获取发动机内部叶片图像并利用所述权重文件对发动机叶片进行实时检测
并输出检测结果。
[0012]优选的，所述对所述发动机内部叶片图像进行预处理以获取测试数据集、训练数据集以及验证数据集的步骤包括：
[0013]对所述发动机内部叶片图像进行裂纹标注、缩放以及翻折以对数据集进行扩充获取所述测试数据集、训练数据集以及验证数据集。
[0014]优选的，所述预先设置的YOLOv5网络模型包括输入端、Backbone主干网络、Neck颈部网络和输出端；
[0015]所述输入端包括数据增强模块以及锚框选取模块，所述用于对输入的数据进行缩放、剪裁以及随机排布的方式进行拼接，所述锚框选取模块用于对所述发动机内部叶片图像标注的裂纹锚框，计算并更新裂纹锚框的大小；
[0016]所述Backbone主干网络包括Focus结构、CBL结构、CSP结构和SPP模块；
[0017]所述Focus结构获取所述输入端的裂纹图片进行切片并行卷积操作，所述CBL结构提取经所述Focus结构片并行卷积操作的裂纹图片特征信息；
[0018]所述SPP模块用于将裂纹图片特征的特征映射进行等分并进行池化操作；
[0019]所述Neck颈部网络包括FPN结构和PAN结构，所述FPN结构与所述CBL结构增大所述裂纹图片特征图尺寸，所述PAN结构与所述FPN结构进行特征融合以缩小述裂纹图片特征图尺寸；
[0020]所述输出端对裂纹信息进行标注并输出置信度，以获取精确率以及召回率。
[0021]优选的，采用如下公式进行池化操作：
[0022][0023]S
H
—矩阵的高度；
[0024]S
W
—矩阵的宽度；
[0025]h—图片的高度；
[0026]w—图片的宽度；
[0027]p—填充数量；
[0028]f—过滤器尺寸；
[0029]s—步长。
[0030]优选的，采用如下公式获取精确率
[0031][0032]n—识别出来的图片总数；
[0033]TP—正确识别出来的图片数量；
[0034]FP—错误识别出来的图片数量。
[0035]采用如下公式获取召回率：
[0036][0037]m—有待识别目标的图片总数；
[0038]FN—目标但未被系统识别的图片数量。
[0039]优选的，采用如下步骤获取TP以及FP：
[0040]获取置信度以及重叠度IOU，所述重叠度IOU采用如下公式获取：
[0041][0042]B
p
—预测框；
[0043]B
gt
—真实框；
[0044]基于重叠度IOU获取所述TP以及所述FP：
[0045]若识别的区域面积大于IOU阈值判定为TP，小于IOU阈值判定为FP。
[0046]优选的，采用如下公式获取mAP值：
[0047][0048]P—精确度；
[0049]r—召回率；
[0050]mAP值为类别特征的AP值的求平均值。
[0051]另一方面.本专利技术提供了一种基于YOLOv5的航空发动机运维中叶片裂纹实时检测装置，包括：
[0052]图像获取指令发送模块：发送第一指令以获取发动机内部叶片图像；
[0053]样本采集模块：用于对所述发动机内部叶片图像进行预处理以获取测试数据集、训练数据集以及验证数据集；
[0054]训练测试模块：用于输入所述训练数据集至预先设置的YOLOv5网络模型进行训练，利用验证数据集对训练导出的模型效果进行初步评估以对模型进行调整，利用训练好的权重文件与测试数据集进行测试，并获取mAP值以及P
‑
R曲线对模型进行最终评估；
[0055]输出模块：实时获取发动机内部叶片图像并利用所述权重文件对发动机叶片进行实时检测并输出检测结果。
[0056]本专利技术实施例带来了以下有益效果：本专利技术提供了一种基于YOLOv5的航空发动机运维中叶片裂纹实时检测方法及装置，方法的具体步骤包括：发送第一指令以获取发动机内部叶片图像；对发动机内部叶片图像进行预处理以获取测试数据集、训练数据集以及验证数据集；输入训练数据集至预先设置的YOLOv5本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5的航空发动机运维中叶片裂纹实时检测方法，其特征在于，应用于上位机，具体包括如下步骤：发送第一指令以获取发动机内部叶片图像；对所述发动机内部叶片图像进行预处理以获取测试数据集、训练数据集以及验证数据集；输入所述训练数据集至预先设置的YOLOv5网络模型进行训练，利用验证数据集对训练导出的模型效果进行初步评估以对模型进行调整，利用训练好的权重文件与测试数据集进行测试，并获取mAP值以及P
‑
R曲线对模型进行最终评估；实时获取发动机内部叶片图像并利用所述权重文件对发动机叶片进行实时检测并输出检测结果。2.根据权利要求1所述方法，其特征在于，所述对所述发动机内部叶片图像进行预处理以获取测试数据集、训练数据集以及验证数据集的步骤包括：对所述发动机内部叶片图像进行裂纹标注、缩放以及翻折以对数据集进行扩充获取所述测试数据集、训练数据集以及验证数据集。3.根据权利要求1所述的方法，其特征在于，所述预先设置的YOLOv5网络模型包括输入端、Backbone主干网络、Neck颈部网络和输出端；所述输入端包括数据增强模块以及锚框选取模块，所述用于对输入的数据进行缩放、剪裁以及随机排布的方式进行拼接，所述锚框选取模块用于对所述发动机内部叶片图像标注的裂纹锚框，计算并更新裂纹锚框的大小；所述Backbone主干网络包括Focus结构、CBL结构、CSP结构和SPP模块；所述Focus结构获取所述输入端的裂纹图片进行切片并行卷积操作，所述CBL结构提取经所述Focus结构片并行卷积操作的裂纹图片特征信息；所述SPP模块用于将裂纹图片特征的特征映射进行等分并进行池化操作；所述Neck颈部网络包括FPN结构和PAN结构，所述FPN结构与所述CBL结构增大所述裂纹图片特征图尺寸，所述PAN结构与所述FPN结构进行特征融合以缩小述裂纹图片特征图尺寸；所述输出端对裂...

【专利技术属性】
技术研发人员：李双宝，于婧仪，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：