【技术实现步骤摘要】
【国外来华专利技术】用于航空部件的自动质量检查的方法
[0001]本专利技术的
是航空部件的
,尤其是航空部件的质量检查的
,也称为航空部件的质量控制的
[0002]本专利技术涉及一种用于航空部件的自动质量检查的方法。
技术介绍
[0003]为了检测航空部件中的故障,使用已经在训练数据库上训练的人工神经网络是已知的,该训练数据库包括有故障的航空部件的图像和没有故障的航空部件的图像。以有监督的方式来执行训练,即对于训练数据库中的每个图像,人工神经网络知道该图像是否具有故障。
[0004]因为不可能知道所有可能影响航空部件的故障,所以训练数据库不是详尽的。具有训练数据库中不存在的故障的航空部件的图像被提交给神经网络,神经网络然后可能声称航空部件合规,尽管它有故障。
[0005]类似地,异常图像,即航空部件的具有与在神经网络的学习阶段期间使用的那些特征不同的特征的图像,例如但非详尽地,差质量的图像或与数据库中的图像具有不同的照明的图像,被提交给神经网络,神经网络可能会声称航空部件不合规,尽管它没有故障,或者相反地当它有故障时声称它没有故障。
[0006]因此,需要能够检测航空部件的所有故障,无论这些故障是否是先验已知的,并且不将没有任何故障的航空部件声称为不合规。
[0007]还需要能够检测提交给人工神经网络的图像具有与其训练期间使用的那些特征不同的特征,这会导致神经网络发生故障的风险。
技术实现思路
[0008]本专利技术使得可以弥补上述缺点。
[0
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.用于航空部件(200)的自动质量检查的方法(100),包括以下步骤:
‑
在第一训练数据库(D1)上训练人工神经网络(301)(101);
‑
获取航空部件(200)的至少一个图像(201)(102);
‑
使用经训练的人工神经网络(301)来检测航空部件(200)的图像(201)上的故障(103);其特征在于,还包括以下步骤:
‑
在包括没有故障的航空部件的多个训练图像(I)的第二训练数据库(D2)上对自动编码器(302)进行无监督训练(104),包括以下子步骤:o将第二训练数据库(D2)的每个图像(I)投影(z
I
)到比第二训练数据库(D2)的每个图像(I)的维度更小维度的数学空间(Z)上,使得第二数据库(D2)的图像(I)在数学空间(Z)中的投影(z
I
)的集合(Z
I
)遵循预定义的概率定律;o从第二训练数据库(D2)的图像(I)到数学空间(Z)的投影(z
I
)重建第二训练数据库(D2)的每个图像(I),以获得重建图像(I');
‑
对于第二训练数据库(D2)的每个图像(I),从第二训练数据库(D2)的图像(I)到数学空间(Z)的投影(z
I
)或者从对应的重建图像(I')计算多个度量(M),以获得针对每个度量(M)的度量值(M)(105);
‑
根据所获得的度量值(M)对分类器(303)进行有监督训练(106);
‑
使用经训练的自动编码器(302)和分类器(303)来检测航空部件(200)的图像(201)中的故障或异常(107);
‑
如果人工神经网络(301)在航空部件(200)的图像(201)上检测到至少一个故障或者如果人工神经网络(301)在航空部件(200)的图像(201)上未检测到故障并且分类器(303)在航空部件(200)的图像(201)中检测到至少一个故障或异常,则航空部件(200)被认为是不合规的(108);否则,航空部件(200)被认为是合规的(109)。2.根据权利要求1所述的方法(100),其特征在于,航空部件(200)的图像(201)、第一训练数据库(D1)的多个图像(I)和第二训练数据库(D2)的多个图像(I)是可见图像、X射线图像、超声波图像或断层扫描图像。3.根据前述权利要求中任一项所述的方法(100),其特征在于还包括:对于每个度量(M),根据预定义的有效性标准将第二训练数据库(D2)的图像(I)的度量值(M)分配到第一组值(G1)和第二组值(G2)的步骤,分类器(303)被训练以将具有第一组值(G1)的度量值(M)的第二训练数据库(D2)的图像(I)视为没有故障或异常(OK),并且将具有第二组值(G2)的度量值(M)的第二训练数据库(D2)的图像(I)视为要被拒绝的图像(KO)。4.根据前述权利...
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。