一种基于卷积神经网络的飞机结构裂纹检测方法技术

本申请属于结构健康监测领域，特别涉及一种基于卷积神经网络的飞机结构裂纹检测方法。步骤一、构建裂纹图像数据集；步骤二、通过所述裂纹图像数据集对YOLOv5网络进行训练，得到YOLOv5模型；步骤三、构建差异图数据集；步骤四、获取改进型YOLOv5网络，通过所述差异图数据集对所述改进型YOLOv5网络进行训练，得到改进型YOLOv5模型；步骤五、根据所述YOLOv5模型以及所述改进型YOLOv5模型，对待检测图像进行整体测试。本申请能够实现全尺寸飞机结构疲劳试验中高效、可靠的裂纹损伤检测。可靠的裂纹损伤检测。可靠的裂纹损伤检测。

【技术实现步骤摘要】
一种基于卷积神经网络的飞机结构裂纹检测方法


[0001]本申请属于结构健康监测领域，特别涉及一种基于卷积神经网络的飞机结构裂纹检测方法。

技术介绍

[0002]在全尺寸飞机结构疲劳试验中实现准确、高效的裂纹检测能够为飞机结构设计的改进、健康状况的评估和维修大纲的制定提供重要的科学依据。现阶段的裂纹损伤检测主要依赖于目视检查以及涡流、超声等无损检测手段，不仅漏检率高，检测周期长，且难以到达空间狭小的结构关键部位。
[0003]近年来，基于深度学习的计算机视觉技术飞速发展，且在智慧交通、人脸识别、工业检测等众多领域得到了有效应用，能够为飞机结构裂纹的自动化检测提供可靠的技术途径。然而在全机疲劳试验中，处于不同萌生部位和扩展阶段的裂纹形态差别较大，使得网络难以提取出有效的裂纹关键特征，且结构表面存在大量与裂纹高度相似的划痕、污迹等干扰因素，对现有深度学习算法而言具有一定的检测难度。
[0004]因此，希望有一种技术方案来克服或至少减轻现有技术的至少一个上述缺陷。

技术实现思路

[0005]本申请的目的是提供了一种基于卷积神经网络的飞机结构裂纹检测方法，以解决现有技术存在的至少一个问题。
[0006]本申请的技术方案是：
[0007]一种基于卷积神经网络的飞机结构裂纹检测方法，包括：
[0008]步骤一、构建裂纹图像数据集；
[0009]步骤二、通过所述裂纹图像数据集对YOLOv5网络进行训练，得到YOLOv5模型；
[0010]步骤三、构建差异图数据集；
[0011]步骤四、获取改进型YOLOv5网络，通过所述差异图数据集对所述改进型YOLOv5网络进行训练，得到改进型YOLOv5模型；
[0012]步骤五、根据所述YOLOv5模型以及所述改进型YOLOv5模型，对待检测图像进行整体测试。
[0013]在本申请的至少一个实施例中，步骤一中，所述构建裂纹图像数据集，包括：
[0014]S11、采用工业相机对疲劳试验中的N个被监测结构进行持续定点拍摄，直至裂纹萌生，得到N张包含裂纹的裂纹图像，以及与每张裂纹图像对应的无裂纹的模板图像；
[0015]S12、采用Labelimg软件对所述裂纹图像中萌生裂纹的重点部位进行标注，得到N个标注文件；
[0016]S13、将所述裂纹图像以及与所述裂纹图像对应的标注文件划分为裂纹图像训练集和裂纹图像测试集。
[0017]在本申请的至少一个实施例中，S12中，所述重点部位包括铆钉、孔边、倒角。
[0018]在本申请的至少一个实施例中，S13中，所述裂纹图像训练集和所述裂纹图像测试集按照7:3的比例划分。
[0019]在本申请的至少一个实施例中，步骤二中，所述通过所述裂纹图像数据集对YOLOv5网络进行训练，得到YOLOv5模型，包括：
[0020]将所述裂纹图像数据集中的裂纹图像训练集输入YOLOv5网络，进行网络训练和参数优化，直至YOLOv5网络在裂纹图像测试集上的检测准确率达到阈值，得到YOLOv5模型。
[0021]在本申请的至少一个实施例中，步骤三中，所述构建差异图数据集，包括：
[0022]S31、将N张裂纹图像依次输入所述YOLOv5模型中，得到裂纹图像的重点部位图以及重点部位坐标信息；
[0023]S32、将裂纹图像与对应的模板图像进行图像配准，并根据重点部位坐标信息，从模板图像中裁剪出重点部位图，得到模板图像的重点部位图；
[0024]S33、对裂纹图像的重点部位图与模板图像的重点部位图进行对数运算和比值运算，得到N个重点部位差异图；
[0025]S34、采用Labelimg软件对所述重点部位差异图中的裂纹进行标注，得到N个标注文件；
[0026]S35、将所述重点部位差异图以及与所述重点部位差异图对应的标注文件划分为差异图训练集和差异图测试集。
[0027]在本申请的至少一个实施例中，S35中，所述差异图训练集和所述差异图测试集按照7:3的比例划分。
[0028]在本申请的至少一个实施例中，步骤四中，所述获取改进型YOLOv5网络，包括：
[0029]获取改进型YOLOv5网络的骨干网络，具体为：
[0030]S41、获取可变形卷积结构，包括：
[0031]S411、将维度为640
×
640
×
3的重点部位差异图经过聚焦结构后，输出第一特征图，所述第一特征图的维度为320
×
320
×
32；
[0032]S412、将第一特征图输入偏移卷积层，输出第二特征图，并根据所述第二特征图得到所述第一特征图的偏移参数，其中，
[0033]步骤S412的计算模型为：
[0034][0035]其中，F0表示各像素点的索引值，F
n
表示该像素点对应3
×
3感受野中的第n个像素索引值，n∈{1,2,3,4,5,6,7,8,9}，w1为卷积操作，ΔF
n
表示感受野中n个像素索引对应的偏移参数；
[0036]所述偏移卷积层的卷积核大小为3
×
3，个数为64，所述第二特征图的维度为320
×
320
×
64，所述第一特征图包括320
×
320
×
32
×
2个偏移参数，每个像素点分别在x轴和y轴方向上有1个偏移参数；
[0037]S413、将所述偏移参数分别与第一特征图中各像素的索引值相加，并进行取整操作，获得一组新的像素索引值；
[0038]根据新的像素索引值从第一特征图中获取被索引像素点的像素值，构成维度为320
×
320
×
32的偏移特征图；
[0039]将所述偏移特征图输入卷积核为3
×
3，步长为2的卷积层，得到维度为160
×
160
×
64的第三特征图；其中，
[0040]步骤S413的计算模型为：
[0041][0042]其中，F0表示各像素点的索引值，F
n
表示该像素点对应3
×
3感受野中的第n个像素索引值，n∈{1,2,3,4,5,6,7,8,9}，ΔF
n
表示感受野中n个像素索引对应的偏移参数，w2为卷积操作，s(F0+F
n
+ΔF
n
)为偏移特征图，f(F0)表示卷积层的输出特征图；
[0043]S414、将所述第三特征图依次输入批量归一化层、ReLU激活层，得到维度为160
×
160
×
64第四特征图；
[0044]S42、将YOLOv5网络的骨干网络中的四个卷积结构替换为所述变形卷积结构，得到改进型YOLOv5网络的骨干网络。
[0045本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的飞机结构裂纹检测方法，其特征在于，包括：步骤一、构建裂纹图像数据集；步骤二、通过所述裂纹图像数据集对YOLOv5网络进行训练，得到YOLOv5模型；步骤三、构建差异图数据集；步骤四、获取改进型YOLOv5网络，通过所述差异图数据集对所述改进型YOLOv5网络进行训练，得到改进型YOLOv5模型；步骤五、根据所述YOLOv5模型以及所述改进型YOLOv5模型，对待检测图像进行整体测试。2.根据权利要求1所述的基于卷积神经网络的飞机结构裂纹检测方法，其特征在于，步骤一中，所述构建裂纹图像数据集，包括：S11、采用工业相机对疲劳试验中的N个被监测结构进行持续定点拍摄，直至裂纹萌生，得到N张包含裂纹的裂纹图像，以及与每张裂纹图像对应的无裂纹的模板图像；S12、采用Labelimg软件对所述裂纹图像中萌生裂纹的重点部位进行标注，得到N个标注文件；S13、将所述裂纹图像以及与所述裂纹图像对应的标注文件划分为裂纹图像训练集和裂纹图像测试集。3.根据权利要求2所述的基于卷积神经网络的飞机结构裂纹检测方法，其特征在于，S12中，所述重点部位包括铆钉、孔边、倒角。4.根据权利要求2所述的基于卷积神经网络的飞机结构裂纹检测方法，其特征在于，S13中，所述裂纹图像训练集和所述裂纹图像测试集按照7:3的比例划分。5.根据权利要求2所述的基于卷积神经网络的飞机结构裂纹检测方法，其特征在于，步骤二中，所述通过所述裂纹图像数据集对YOLOv5网络进行训练，得到YOLOv5模型，包括：将所述裂纹图像数据集中的裂纹图像训练集输入YOLOv5网络，进行网络训练和参数优化，直至YOLOv5网络在裂纹图像测试集上的检测准确率达到阈值，得到YOLOv5模型。6.根据权利要求5所述的基于卷积神经网络的飞机结构裂纹检测方法，其特征在于，步骤三中，所述构建差异图数据集，包括：S31、将N张裂纹图像依次输入所述YOLOv5模型中，得到裂纹图像的重点部位图以及重点部位坐标信息；S32、将裂纹图像与对应的模板图像进行图像配准，并根据重点部位坐标信息，从模板图像中裁剪出重点部位图，得到模板图像的重点部位图；S33、对裂纹图像的重点部位图与模板图像的重点部位图进行对数运算和比值运算，得到N个重点部位差异图；S34、采用Labelimg软件对所述重点部位差异图中的裂纹进行标注，得到N个标注文件；S35、将所述重点部位差异图以及与所述重点部位差异图对应的标注文件划分为差异图训练集和差异图测试集。7.根据权利要求6所述的基于卷积神经网络的飞机结构裂纹检测方法，其特征在于，S35中，所述差异图训练集和所述差异图测试集按照7:3的比例划分。8.根据权利要求6所述的基于卷积神经网络的飞机结构裂纹检测方法，其特征在于，步骤四中，所述获取改进型YOLOv5网络，包括：
获取改进型YOLOv5网络的骨干网络，具体为：S41、获取可变形卷积结构，包括：S411、将维度为640
×
640
×
3的重点部位差异图经过聚焦结构后，输出第一特征图，所述第一特征图的维度为320
×
320
×
32；S412、将第一特征图输入偏移卷积层，输出第二特征图，并根据所述第二特征图得到所述第一特征图的偏移参数，其中，步骤S412的计算模型为：其中，F0表示各像素点的索引值，F
n<...

【专利技术属性】
技术研发人员：王叶子，吕帅帅，杨宇，李嘉欣，杨海龙，
申请(专利权)人：中国飞机强度研究所，
类型：发明
国别省市：