[發明專利]一種基于深度學習的航空發動機無損檢測方法、裝置、設備及存儲介質

在審

• 申請號: 202011408874.2
• 申請日: 2020-12-03
• 公開（公告）號: CN112581430A
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 曾念寅;吳佩樹;李寒;宋丹丹
• 申請（專利權）人: 廈門大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廈門市首創君合專利事務所有限公司 35204
• 代理人: 張松亭

本發明提供一種基于深度學習的航空發動機無損檢測方法、裝置、設備及存儲介質，其中方法包括：利用工業內窺鏡實時采集航空發動機內部的孔探圖像；提出改進全卷積一階段目標檢測器算法；利用獲取圖像對改進全卷積一階段目標檢測器算法網絡進行訓練，并利用評價指標進行驗證，對實時傳入的航空發動機內部的孔探監控視頻輸入模型，進行逐幀實時檢測，輸出損傷類別和損傷位置；對檢測置信度超過設定閾值的結果產生事件報警信號。本發明提出的方法，基于改進的算法利用孔探圖像對航空發動機內部常見的損傷進行識別和檢測，確定損傷類型和發生位置，航空發動機的高精度無損檢測和智能化健康管理具有十分重要的應用價值。

技術領域

本發明涉及航空發動機損傷檢測領域，特別是指一種基于深度學習的航空發動機無損檢測方法、裝置、設備及存儲介質。

背景技術

航空發動機是為飛行器提供動力，保障其正常運行的關鍵器件。航空發動機處于高溫高壓的極端工作環境下工作，容易發生形態各異的各種類別的損傷，其中常見的損傷發生在發動機葉片、轉子和壁面等部位，損傷類型包括卷邊、凹痕、缺失、缺口、撕裂、裂紋等。

目前，航空發動機損傷檢測方法主要分為破壞性檢測和無損檢測技術，其中利用工業內窺鏡得到航空發動機的內部結構孔探圖像屬于無損檢測范疇，且在機械與電氣設備探傷檢測中得到廣泛應用；但是，航空發動機損傷類型多樣且孔探圖像分辨率較低，利用傳統的特征提取方法，如邊緣檢測、小波變換等對孔探圖像進行檢測識別的精度不高。

發明內容

本發明的主要目的在于克服現有技術中的上述缺陷，提出一種基于深度學習的航空發動機無損檢測方法，基于改進的算法，利用孔探圖像對航空發動機內部常見的損傷進行識別和檢測，確定損傷類型和發生位置；本發明對航空發動機的高精度無損檢測和智能化健康管理具有十分重要的應用價值。

本發明采用如下技術方案：

本發明一方面提供一種基于深度學習的航空發動機無損檢測方法，包括如下步驟：

數據獲取：利用工業內窺鏡實時采集航空發動機內部的孔探圖像；

模型構建：基于全卷積一階段目標檢測器算法，根據航空發動機孔探圖像的損傷類型識別和檢測的特點，提出改進全卷積一階段目標檢測器算法；

模型訓練：利用獲取的所述航空發動機內部的孔探圖像建立數據集；將所述數據集分為訓練集和測試集，將訓練接輸入構建的所述改進全卷積一階段目標檢測器算法網絡進行訓練，利用評價指標對測試集的測試結果進行驗證，完成所述改進全卷積一階段目標檢測器算法模型的訓練；

模型應用和檢測：對實時傳入的航空發動機內部的孔探監控視頻輸入模型，進行逐幀實時檢測，輸出損傷類別和損傷位置。

檢測結果反饋：對檢測置信度超過設定閾值的結果產生事件報警信號，經人工專家確認后，若是錯誤檢測，則取消“事件報警”，若是正確檢測，發布維護任務給航空發動機檢修專員。

具體地，所述數據獲取：利用工業內窺鏡實時采集航空發動機內部的孔探圖像，具體包括：

將工業內窺鏡分別置于航空發動機內部葉片、轉子和壁面，實時采集獲得孔探視頻數據，并按幀分割成孔探圖像數據，將圖像大小調整為416×416×3的RGB三通道圖像。

具體地，所述改進全卷積一階段目標檢測器算法，具體包括：

改進全卷積一階段目標檢測器算法模型包括骨干網絡、特征金字塔網絡和目標檢測頭網絡，其中，所述骨干網絡采用ResNeXt101-DCN，所述ResNeXt101-DCN是將可變形卷積算法引入增強版殘差卷積網絡結構ResNeXt，所述特征金字塔網絡引入坐標卷積；引入空間金字塔池化操作至特征金字塔網絡最頂層的特征圖上；所述目標檢測頭網絡包含兩個分支，其中第一分支為分類和邊界框回歸分支，第二分支為Polar centerness分支。