[发明专利]基于深度学习的航空发动机孔探图像损伤智能识别方法

权利要求书

1.一种基于深度学习的航空发动机孔探图像损伤智能识别方法，其特征在于，所述方法包括：

获取在测试集上达到预设准确率要求的全卷积神经网络的网络权重，所述测试集为多个航空发动机孔探标记图像，所述航空发动机孔探标记图像为经试验人员标记了损伤区域和与所述损伤区域对应损伤类别的航空发动机孔探图像；

加载所述网络权重以初始化所述全卷积神经网络；

获取航空发动机孔探图像；

对所述航空发动机孔探图像进行预处理，得到符合所述全卷积神经网络输入要求的预处理图像；

使用初始化后的所述全卷积神经网络对所述预处理图像进行处理，得到所述航空发动机孔探图像的损伤区域和与所述损伤区域对应的损伤类别。

2.根据权利要求1所述的方法，其特征在于，所述使用初始化后的所述全卷积神经网络对所述预处理图像进行处理，得到所述航空发动机孔探图像的损伤区域和与所述损伤区域对应的损伤类别，具体包括：

使用初始化后的所述全卷积神经网络的卷积结构对所述预处理图像进行特征提取得到图像特征张量；

使用初始化后的所述全卷积神经网络的反卷积结构对所述图像特征张量进行升维处理得到所述航空发动机孔探图像中每个像素分别为各种损伤类别的概率；

根据每个像素分别为各种损伤类别的概率得到每个像素的损伤类别；

根据每个像素的损伤类别得到所述航空发动机孔探图像的损伤区域和与所述损伤区域对应的损伤类别。

3.根据权利要求1所述的方法，其特征在于，所述获取在测试集上达到预设准确率要求的全卷积神经网络的网络权重，具体包括：

获取多个航空发动机孔探标记图像；

将多个所述航空发动机孔探标记图像按比例划分为测试集和训练集，对所述训练集中的航空发动机孔探标记图像进行预处理；

构建并初始化全卷积神经网络；

使用经预处理后的训练集训练经初始化后的全卷积神经网络，得到训练后的网络权重；

使用所述测试集验证用训练后的网络权重更新的所述全卷积神经网络是否有效，如果验证为有效，则所述训练后的网络权重作为在所述测试集上达到所述预设准确率要求的所述全卷积神经网络的网络权重。

4.根据权利要求3所述的方法，其特征在于，在所述将多个所述航空发动机孔探标记图像按比例划分为测试集和训练集之后，所述方法还包括：

对所述训练集中的各航空发动机孔探标记图像进行数据增强处理，得到航空发动机孔探增强图像；

对应地，所述训练集中的图像包括：航空发动机孔探标记图像和与所述航空发动机孔探标记图像对应的航空发动机孔探增强图像。

5.根据权利要求3所述的方法，其特征在于，所述构建并初始化全卷积神经网络，具体包括：

搭建所述全卷积神经网络中的卷积结构，所述卷积结构用于对接收的所述航空发动机孔探标记图像进行特征提取以得到图像特征张量；

搭建所述全卷积神经网络中的反卷积结构，所述反卷积结构用于对接收的所述图像特征张量进行升维处理以得到所述航空发动机孔探标记图像中每个像素分别为各种损伤类别的概率；

使用预训练权重对所述卷积结构进行初始化，所述预训练权重由所述卷积结构在公开的图像数据集上经训练得到；

初始化反卷积结构。

6.根据权利要求5所述的方法，其特征在于，

所述卷积结构包括多个卷积块，每个所述卷积块包括：配第一种激活函数的卷积层以及池化层；

所述反卷积结构包括：反卷积层和配第二种激活函数的卷积层；

所述第一种激活函数和所述第二种激活函数为不同的激活函数。

7.根据权利要求6所述的方法，其特征在于，所述卷积结构包括：5个卷积块，每个所述卷积块为两个连续的配relu激活函数的卷积层加上一个池化层的结构；

所述反卷积结构包括：反卷积层和一个配sigmoid激活函数的卷积层。