[发明专利]一种基于卷积神经网络的航空发动机叶片缺陷检测方法

说明书

本发明公开了一种基于卷积神经网络的航空发动机叶片缺陷检测方法，将Yolov3模型上采样结构中的双线性插值方法改为双三次插值方法，增强底层特征与深层特征的融合效果，提高检测模型的细节感知能力；同时在Yolov3模型的主干网络中加入注意力机制，增强感兴趣区域的特征表现能力，降低背景噪声等无用信息对于检测结果的影响，提高检测模型的区域聚焦能力。通过上述两种方法，得到改进后的Yolov3模型，使用改进后的Yolov3模型能够对航空发动机叶片缺陷进行检测，有效提升了图像中缺陷区域检测框的召回率，提高了缺陷区域的检测精度。

技术领域

本发明属于机器视觉技术领域，具体涉及一种缺陷检测方法。

背景技术

飞机发动机叶片表面缺陷检测是航空质检与维护中的一项重要工作，常见缺陷有缺陷、压坑、弯曲和腐蚀等，及时有效地发现损伤信息可有效避免因机械器件损坏而导致的灾祸。目前，缺陷检查主要依靠于地勤人员的人眼观察，这是一项冗长且劳动密集型的工作，工作质量易受到主观因素的影响。因此，为了提高检测效率、降低检测成本，需要一种自动化缺陷检测的方法。传统缺陷检测方法大致可分为基于边缘检测的方法和基于形态学的方法。在理想的情况下，如果缺陷具有较高的对比度且图像背景噪声较小，传统方法可以对其进行高精度的检测。然而，这些方法在实际应用中会受到实际叶片表面刮痕和微小气孔等噪声的影响，使用阈值分割法可以将与缺陷像素与全局背景分离，但是这类方法容易受到干扰，且对实际检测场地的光照变化十分敏感。综上所述，传统缺陷检测算法易受到影响且提升空间有限，需要结合神经网络算法研发用于航空发动机叶片缺陷的检测方法。

发明内容

为了克服现有技术的不足，本发明提供了一种基于卷积神经网络的航空发动机叶片缺陷检测方法，将Yolov3模型上采样结构中的双线性插值方法改为双三次插值方法，增强底层特征与深层特征的融合效果，提高检测模型的细节感知能力；同时在Yolov3模型的主干网络中加入注意力机制，增强感兴趣区域的特征表现能力，降低背景噪声等无用信息对于检测结果的影响，提高检测模型的区域聚焦能力。通过上述两种方法，得到改进后的Yolov3模型，使用改进后的Yolov3模型能够对航空发动机叶片缺陷进行检测，有效提升了图像中缺陷区域检测框的召回率，提高了缺陷区域的检测精度。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：获取待检测的航空发动机叶片缺陷图像，构成缺陷图像集；

步骤2：对缺陷图像集中的每幅缺陷图像赋予一个标签，标签表示不同类型的缺陷；获取缺陷图像中每个缺陷的最小外接矩形的长宽值以及位置坐标；

步骤3：对缺陷图像集中的缺陷图像进行数据增强工作，得到缺陷标签图像集；

步骤4：构建改进Yolov3模型；

步骤4-1：对Yolov3模型中第97层的特征图进行上采样，再与第36层的特征图进行拼接，拼接完成之后再通过卷积模块进行输出，记为第一输出；在上采样时将双线性插值方法更改为双三次插值方法；

对Yolov3模型中第85层的特征图进行上采样，再与第61层的特征图进行拼接，拼接完成之后再通过卷积模块进行输出，记为第二输出；在上采样时将双线性插值方法更改为双三次插值方法；

将Yolov3模型主干网络的输出记为第三输出；

步骤4-2：分别在第一输出、第二输出和第三输出后设置相同的注意力模块，经过注意力模块处理后分别得到新第一输出、新第二输出和新第三输出；

采用非极大值抑制方法分别计算新第一输出、新第二输出和新第三输出的概率，选取概率值最大的输出作为改进Yolov3模型最终输出；

步骤5：将步骤1得到的缺陷图像集作为改进Yolov3模型的输入，将步骤3得到的缺陷标签图像集作为标签，对改进Yolov3模型进行训练，得到训练完成的改进Yolov3模型；