[发明专利]基于YOLOv5的航空发动机运维中叶片裂纹实时检测方法及装置

权利要求书

1.一种基于YOLOv5的航空发动机运维中叶片裂纹实时检测方法，其特征在于，应用于上位机，具体包括如下步骤：

发送第一指令以获取发动机内部叶片图像；

对所述发动机内部叶片图像进行预处理以获取测试数据集、训练数据集以及验证数据集；

输入所述训练数据集至预先设置的YOLOv5网络模型进行训练，利用验证数据集对训练导出的模型效果进行初步评估以对模型进行调整，利用训练好的权重文件与测试数据集进行测试，并获取mAP值以及P-R曲线对模型进行最终评估；

实时获取发动机内部叶片图像并利用所述权重文件对发动机叶片进行实时检测并输出检测结果。

2.根据权利要求1所述方法，其特征在于，所述对所述发动机内部叶片图像进行预处理以获取测试数据集、训练数据集以及验证数据集的步骤包括：

对所述发动机内部叶片图像进行裂纹标注、缩放以及翻折以对数据集进行扩充获取所述测试数据集、训练数据集以及验证数据集。

3.根据权利要求1所述的方法，其特征在于，所述预先设置的YOLOv5网络模型包括输入端、Backbone主干网络、Neck颈部网络和输出端；

所述输入端包括数据增强模块以及锚框选取模块，所述用于对输入的数据进行缩放、剪裁以及随机排布的方式进行拼接，所述锚框选取模块用于对所述发动机内部叶片图像标注的裂纹锚框，计算并更新裂纹锚框的大小；

所述Backbone主干网络包括Focus结构、CBL结构、CSP结构和SPP模块；

所述Focus结构获取所述输入端的裂纹图片进行切片并行卷积操作，所述CBL结构提取经所述Focus结构片并行卷积操作的裂纹图片特征信息；

所述SPP模块用于将裂纹图片特征的特征映射进行等分并进行池化操作；

所述Neck颈部网络包括FPN结构和PAN结构，所述FPN结构与所述CBL结构增大所述裂纹图片特征图尺寸，所述PAN结构与所述FPN结构进行特征融合以缩小述裂纹图片特征图尺寸；

所述输出端对裂纹信息进行标注并输出置信度，以获取精确率以及召回率。

4.根据权利要求3所述的方法，其特征在于，采用如下公式进行池化操作：

S_H—矩阵的高度；

S_W—矩阵的宽度；

h—图片的高度；

w—图片的宽度；

p—填充数量；

f—过滤器尺寸；

s—步长。

5.根据权利要求3所述的方法，其特征在于，采用如下公式获取精确率

n—识别出来的图片总数；

TP—正确识别出来的图片数量；

FP—错误识别出来的图片数量。

采用如下公式获取召回率：

m—有待识别目标的图片总数；

FN—目标但未被系统识别的图片数量。

6.根据权利要求5所述的方法，其特征在于，采用如下步骤获取TP以及FP：

获取置信度以及重叠度IOU，所述重叠度IOU采用如下公式获取：

B_p—预测框；

B_gt—真实框；

基于重叠度IOU获取所述TP以及所述FP：

若识别的区域面积大于IOU阈值判定为TP，小于IOU阈值判定为FP。

7.根据权利要求6所述的方法，其特征在于，采用如下公式获取mAP值：

P—精确度；

r—召回率；

mAP值为类别特征的AP值的求平均值。

8.一种基于YOLOv5的航空发动机运维中叶片裂纹实时检测装置，其特征在于，包括：

图像获取指令发送模块：发送第一指令以获取发动机内部叶片图像；

样本采集模块：用于对所述发动机内部叶片图像进行预处理以获取测试数据集、训练数据集以及验证数据集；

训练测试模块：用于输入所述训练数据集至预先设置的YOLOv5网络模型进行训练，利用验证数据集对训练导出的模型效果进行初步评估以对模型进行调整，利用训练好的权重文件与测试数据集进行测试，并获取mAP值以及P-R曲线对模型进行最终评估；

输出模块：用于实时获取发动机内部叶片图像并利用所述权重文件对发动机叶片进行实时检测并输出检测结果。