【技术实现步骤摘要】
本专利涉及图像检测与故障识别的，具体涉及一种基于深度学习的飞机轮胎胎面在位检测系统及方法。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、轮胎是飞机的重要部件之一，轮胎的状态直接影响着飞行安全，历史上有很多空难事故是由于轮胎胎面出现扎伤、鼓包、鸟击和爆胎等缺陷，极大的影响了航空安全与社会秩序，因此，有必要对于飞机轮胎胎面进行全面的缺陷检测。目前，飞机轮胎胎面的缺陷检测全程依赖于机务人员进行目视观察判断，检测效率与检测精度受人为因素影响很大，同时在飞机静止并且不借助其他工具的情况下无法完成对飞机轮胎胎面与地面接触部分的在位检测。这样的不全面的检查为飞行埋下了巨大的安全隐患。
3、近些年，随着计算机视觉与深度学习技术的快速发展，基于深度学习的飞机轮胎胎面缺陷的自动化检测得到了应用，能够高效完成检测，具有很大应用前景。本专利将基于深度学习技术，解决飞机轮胎胎面日常检查不全面的问题，确保飞机轮胎胎面满足适航要求，进而保障航班安全。
技术实现思路
【技术保护点】
1.一种基于深度学习的飞机轮胎胎面在位检测系统及方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于本专利的方法，其特征在于，步骤S2中，改进的YOLOv5深度学习网络模型是在YOLOv5深度学习网络模型基础之上通过在YOLOv5深度学习网络模型的特征提取部分嵌入无参数注意力模块YOLOv5，增强卷积神经网络中特征的表达能力，加强图像特征提取。
3.根据权利要求1所述的基于本专利的方法，其特征在于，步骤S5中，采集到的图像数据分两路进行处理，第一路输入改进的YOLOv5深度学习网络模型中进行缺陷识别，第二路生成整圈轮胎全景图像，并输出
<...【技术特征摘要】
1.一种基于深度学习的飞机轮胎胎面在位检测系统及方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于本专利的方法，其特征在于，步骤s2中，改进的yolov5深度学习网络模型是在yolov5深度学习网络模型基础之上通过在yolov5深度学习网络模型的特征提取部分嵌入无参数注意力模块yolov5，增强卷积神经网络中特征的表达能力，加强图像特征提取。
3.根据权利要求1所述的基于本专利的方法，其特征在于，步骤s5中，采集到的图像数据分两路进行处理，第一路输入改进的yolov5深度学习网络模型...
【专利技术属性】
技术研发人员：汪凯，高力凯，刘昀琛，邓宇，汪玖良，
申请(专利权)人：成都理工大学，
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。