首页|检测器和分类器级联的飞机发动机损伤检测

检测器和分类器级联的飞机发动机损伤检测

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目的 基于深度学习的飞机发动机损伤检测是计算机视觉中的一个新问题.当前的目标检测方法没有考虑飞机发动机损伤检测问题的特殊性,将其直接用于发动机损伤检测的效果较差,无法满足实际使用的要求.为了提高损伤检测的精度,提出检测器和分类器级联的发动机损伤检测方法:Cascade-YOLO(cascade-you only look once).方法 首先,将损伤区域作为正例、正常区域作为负例,训练损伤检测网络,初始化特征提取网络的网络参数;其次,固定特征提取网络,使用多个检测头分别检测不同类型的发动机损伤,每个检测头独立进行检测,从而提高单类别损伤的检测召回率;最后,对于置信度在一定范围内的损伤,训练一个多分类判别器,用于校正检测头输出的损伤类别.基于检测结果,利用语义分割分支可以准确分割出损伤区域.结果 构建了一个具有1 305幅且包含9种损伤类型的孔探图像数据集,并在该数据集上量化、对比了 6个先进的目标检测方法.本文方法的平均精确率(mean average precision,MAP)、准确率、召回率相比单阶段检测器YOLO v5分别提高了 2.49％、12.59％和12.46％.结论 本文提出的检测器和分类器级联的发动机损伤检测模型通过对每类缺陷针对性地训练单独的检测头,充分考虑了不同缺陷间的分布差异,在提高召回率的同时提升了检测精度.同时该模型易于扩展类别,并可以快速应用于分割任务,符合实际的应用需求.
Detector and classifier cascaded aero-engine detection method

黄睿、段博坤、陈望、叶清池、彭洪健、马孝汶、樊玮

展开 >

中国民航大学计算机科学与技术学院,天津 300300

厦门航空有限公司,厦门 361006

损伤检测 孔探图像 级联检测 飞机发动机 YOLO(you only look once)

20JCQNJC00720

2022

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2022.27(11)
  • 2
  • 6