【技术实现步骤摘要】
本申请涉及航空发动机损伤检测，特别涉及一种航空发动机损伤检测方法、装置、介质和设备。
技术介绍
1、一般的，航空发动机作为飞机的心脏，对飞机的安全运行起着决定性作用。航空发动机核心部件长期工作在高温、高压、高转速的环境下，容易出现裂纹、卷边、材料缺失等损伤。及早检测和准确评估这些损伤对于确保发动机的可靠性、延长其寿命以及避免潜在的灾难性事故具有重要意义。目前，检测航空发动机内部损伤主要依靠孔探检测技术，但孔探检测严重依赖人员的专业技术和经验且检测速度较慢。自动化的损伤检测方法能够提高检测效率，避免人为因素的干扰。因此，实现对航空发动机损伤实时、准确的自动检测具有重大意义。
2、深度学习是一种模拟人脑神经网络的机器学习方法，通过学习大量样本数据获得损伤特征，依据样本规律习得的特征提取损伤目标。深度学习的本质是由多个层组成的神经网络，各个层对输入数据进行处理，通过非线性变换将原始图像转换为高层次的特征信息，网络结构充分利用不同层的特征信息，解决了传统方法特征提取能力弱的问题。
3、近年来，深度学习逐渐被应用到航空发动机损伤自动检测中。基于深度学习的目标检测模型主要分为两大类：二阶段目标检测模型和一阶段目标检测模型。在二阶段目标检测模型中，现有使用faster r-cnn对涡轮叶片裂纹和凹痕损伤进行检测的方法，平均准确率达到96.1％。还有通过改进的mask r-cnn结合卷积块注意力模块实现了航空发动机叶片损伤的分类和像素级分割，其中裂纹和材料缺失的准确率可以达到98.81％。还提出改进的faster r-c
4、虽然二阶段模型具有较高的检测精度，但其检测过程需要先生成候选区域，再对这些候选区域进行分类和位置回归，这种顺序性的处理方式导致了较慢的检测速度，无法满足实时检测的工作需求。以yolo为代表的一阶段目标检测模型舍弃了候选区域生成过程，直接对目标进行分类和位置回归，因此推理速度更快。基于此，提出改进的yolov3模型对航空发动机损伤进行检测，构建了一个特征尺度更丰富,层级更多的金字塔结构，平均检测精度提升约18.75％，但检测速度有所下降。还有使用改进的yolov4模型对航空发动机损伤进行检测，在特征提取网络的输出层和空间金字塔池化中添加卷积结构，检测精度提升了4.55％，但卷积结构引入了额外的参数，使检测速度下降。还存在对yolov4模型进行改进，在路径聚合网络中构建低层次的特征融合层，将更浅层的特征与深层特征融合，并引入深度可分离卷积，使模型的检测精度提高了3.43％，检测速度提高了31.03％，fps达到38。还有使用改进的yolov4模型对航空发动机内部损伤进行检测，将主干特征提取网络更换为轻量级主干特征提取网络，使检测速度明显提升，fps达到48.8。还有使用轻量化改进的yolov4模型对航空发动机损伤进行检测，将主干网络替换为mobilenetv3，引入深度可分离卷积并加入卷积注意力模块，使检测速度提升了1.6倍，fps达到37，但检测精度下降了3.55％。
5、可见，现有高精度的深度学习检测模型参数量大、占用内存空间大和对设备算力要求高，无法满足航空发动机损伤检测对轻量化的需求。而现有轻量化的深度学习检测模型检测速度较快，但轻量化改进均以牺牲部分模型检测精度为代价，使模型检测精度较低，不能满足航空发动机损伤检测中对检测精度的需求。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种航空发动机损伤检测方法、装置、介质和设备。
2、本说明书采用下述技术方案：
3、本说明书提供了一种航空发动机损伤检测方法，包括：
4、获取航空发动机损伤图像作为样本数据集，并标注各样本数据的真实损伤类型和真实损伤位置；
5、将yolov5m模型的主干网络替换为fasternet网络，并在yolov5m模型的颈部网络中的cbs结构内使用深度可分离卷积，以及将颈部网络中c3结构的bottleneck模块替换为gs bottleneck模块，构建损伤检测模型；
6、将各样本数据输入构建好的损伤检测模型进行损伤检测，得到各样本数据的预测损伤类型及预测损伤位置；
7、以最小化预测损伤类型和真实损伤类型之间的偏差，以及最小化预测损伤位置和真实损伤位置之间的偏差为优化目标，对损伤检测模型进行训练；并通过训练后的损伤检测模型进行航空发动机损伤检测。
8、可选地，所述在yolov5m模型的颈部网络中的cbs结构内使用深度可分离卷积，具体包括：
9、将yolov5m模型的颈部网络中的卷积替换为深度可分离卷积。
10、可选地，所述fasternet网络包括：嵌入层、合并层和fasternet块，嵌入层或合并层位于fasternet块之前；其中，嵌入层包含尺寸为4×4且步长为4的卷积核和批归一化层，合并层包含尺寸为2×2且步长为2的卷积核和批归一化层，fasternet块包含一个部分卷积层和两个逐点卷积层组成的倒置残差结构，在两个逐点卷积层之间还包含批归一化层和激活函数。
11、可选地，所述将yolov5m模型的主干网络替换为fasternet网络，具体包括：
12、将yolov5m模型的主干网络中的cbs结构和c3结构替换为fasternet网络，并串接yolov5m模型的主干网络中的sppf结构。
13、可选地，所述yolov5m模型的颈部网络包括fpn网络和pan网络；
14、所述在yolov5m模型的颈部网络中的cbs结构内使用深度可分离卷积，以及将颈部网络中c3结构的bottleneck模块替换为gs bottleneck模块，具体包括：
15、将fpn网络中的cbs结构中的卷积替换为gsconv卷积形成gbs结构，以及将fpn网络中的g3结构中的bottleneck模块替换为gs bottleneck模块形成gs g3结构；
16、将pan网络中cbs结构的卷积替换为gsconv卷积形成gbs结构，以及将pan网络中c3结构的bottleneck模块替换为gs bottleneck模块形成gs c3结构；
17、其中，gsconv卷积为通过shuffle混合策略将cbs结构中的卷积和深度可分离卷积结合形成，gs bottleneck模块通过两个gsconv卷积对输入进行卷积，同时通过一个cbs结构对输入进行处理，并将卷积结果和处理结果结合后输出。
18、可选地，所述标注各样本数据的真实损伤位置，具体包括：
19、标注各样本数据归一化后的真实损伤中心的横轴坐标、归一化后的真实损伤中心的纵轴坐标、归一化后的真实损伤宽度和归一化后的真实损伤高度。
20、可选地，所述真实损伤类型和预测损伤类型，具体包括：
21、掉块损伤、卷边损伤、材料缺失损伤、裂纹损伤、变形损伤、烧蚀损伤本文档来自技高网...
【技术保护点】
1.一种航空发动机损伤检测方法，其特征在于，包括：
2.如权利要求1所述的航空发动机损伤检测方法，其特征在于，所述在YOLOv5m模型的颈部网络中的CBS结构内使用深度可分离卷积，具体包括：
3.如权利要求1所述的航空发动机损伤检测方法，其特征在于，所述FasterNet网络包括：嵌入层、合并层和FasterNet块，嵌入层或合并层位于FasterNet块之前；其中，嵌入层包含尺寸为4×4且步长为4的卷积核和批归一化层，合并层包含尺寸为2×2且步长为2的卷积核和批归一化层，FasterNet块包含一个部分卷积层和两个逐点卷积层组成的倒置残差结构，在两个逐点卷积层之间还包含批归一化层和激活函数。
4.如权利要求1所述的航空发动机损伤检测方法，其特征在于，所述将YOLOv5m模型的主干网络替换为FasterNet网络，具体包括：
5.如权利要求1所述的航空发动机损伤检测方法，其特征在于，所述YOLOv5m模型的颈部网络包括FPN网络和PAN网络；
6.如权利要求1所述的航空发动机损伤检测方法，其特征在于，所述样本数据的真实损
7.一种航空发动机损伤检测装置，其特征在于，包括：
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～6任一项所述的方法。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～6任一所述的方法。
...【技术特征摘要】
1.一种航空发动机损伤检测方法，其特征在于，包括：
2.如权利要求1所述的航空发动机损伤检测方法，其特征在于，所述在yolov5m模型的颈部网络中的cbs结构内使用深度可分离卷积，具体包括：
3.如权利要求1所述的航空发动机损伤检测方法，其特征在于，所述fasternet网络包括：嵌入层、合并层和fasternet块，嵌入层或合并层位于fasternet块之前；其中，嵌入层包含尺寸为4×4且步长为4的卷积核和批归一化层，合并层包含尺寸为2×2且步长为2的卷积核和批归一化层，fasternet块包含一个部分卷积层和两个逐点卷积层组成的倒置残差结构，在两个逐点卷积层之间还包含批归一化层和激活函数。
4.如权利要求1所述的航空发动机损伤检测方法，其特征在于，所述将yolov5m模型的主干网络替换为fasternet网络，...
【专利技术属性】
技术研发人员：蔡舒妤，师利中，何冲，王江凌，田壮，庞如冰，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：
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。