帮助 关于我们

返回检索结果

基于机器视觉与深度学习的飞机防护栅裂纹检测系统
Crack Detection System for Aircraft Protective Grill based on Machine Vision and Deep Learning

查看参考文献18篇

张良安 1   陈洋 1   谢胜龙 2,3 *   刘同鑫 1  
文摘 针对传统飞机防护栅裂纹检测中存在的效率低、可靠性差等问题,基于机器视觉技术设计一种飞机防护栅裂纹检测装置,并结合图像处理技术与深度学习原理提出一种飞机防护栅裂纹检测算法。设计飞机防护栅裂纹检测系统,研究防护栅裂纹图像识别算法。采集并整理飞机防护栅裂缝图像,研究并制作飞机防护栅裂纹检测数据集;分别以ZF-Net、VGG-16和ResNet-101卷积神经网络作为Faster-RCNN特征提取网络,开展飞机防护栅表面裂纹和缺陷裂纹检测研究。实验结果表明: 3种模型均达到了良好的检测精度,其检测精度分别为92.79%、95.12%和97.54%,其中ResNet-101网络检测效果最好,相比于现有的防护栅裂纹机器视觉检测方法,漏检率和虚警率分别下降了22.54%和89.28%,检出率提高了22.54%; ResNet-101网络在不同光照条件下仍有较高的检测精度,检测装置和检测算法有效,可为飞机防护栅的检测提供了新方法。
其他语种文摘 To address the problems of low efficiency and poor reliability in the crack detection of traditional aircraft protective grill,a crack detection device is designed based on machine vision technology. Combined with image processing technology and deep learning principles,a crack detection and calculation method for aircraft protective grill is proposed. Firstly,a detection system is designed, and the image recognition algorithm of protective grill is studied,and then,the crack images of aircraft protective grill are collected and sorted,and the crack detection data set is studied and made. Secondly, the ZF-Net,VGG-16 and ResNet-101 convolutional neural networks are used as the feature extraction networks of Faster-RCNN to detect surface cracks and defect cracks of the aircraft protective grill. The experimental results show that: the three models can achieve good detection accuracy,which are 92.79%,95.12% and 97.54% respectively; the Resnet-101 network has the best detection effect; compared with the existing machine vision detection method for protective grill cracks,the missed detection rate and false alarm rate are reduced by 22.54% and 89.28% respectively,and the detection rate is improved by 22.54%. Further research shows that the ResNet-101 network still has high detection accuracy under different lighting conditions,which shows the effectiveness of the detection device and detection algorithm. This research provides a new method for crack detection of the aircraft protective grill.
来源 兵工学报 ,2023,44(2):507-516 【核心库】
DOI 10.12382/bgxb.2021.0674
关键词 飞机防护栅 ; 裂纹检测 ; 机器视觉 ; 深度学习 ; 卷积神经网络
地址

1. 安徽工业大学机械工程学院, 安徽, 马鞍山, 243000  

2. 安徽省工业互联网智能应用与安全工程实验室, 安徽省工业互联网智能应用与安全工程实验室, 安徽, 马鞍山, 243023  

3. 中国计量大学机电工程学院, 浙江, 杭州, 310018

语种 中文
文献类型 研究性论文
ISSN 1000-1093
学科 自动化技术、计算机技术
基金 浙江省湖州市项目 ;  国家自然科学基金项目 ;  政府间国际科技创新合作重点专项项目 ;  安徽省工业互联网智能应用与安全工程实验室开放基金项目
文献收藏号 CSCD:7408798

参考文献 共 18 共1页

1.  曹强. 基于机器视觉的飞机防护栅无损检测系统. 无损检测,2016,38(2):24-27,51 CSCD被引 1 次    
2.  李国华. 某型飞机防护栅套管固定螺栓断裂原因分析. 科技创新导报,2015,12(13):44-45 CSCD被引 1 次    
3.  刘平政. 飞机紧固件孔周裂纹检测远场涡流传感器设计及优化. 仪器仪表学报,2019,40(6):1-8 CSCD被引 7 次    
4.  Tavares S M O. An overview of fatigue in aircraft structures. Fatigue & Fracture of Engineering Materials & Structures,2017,40(10):1510-1529 CSCD被引 2 次    
5.  寇光杰. 复杂型面叶片裂纹的超声红外热成像检测. 红外与激光工程,2019,48(12):101-109 CSCD被引 9 次    
6.  黄凤英. 钢轨表面裂纹涡流检测定量评估方法. 中国铁道科学,2017,38(2):28-33 CSCD被引 8 次    
7.  Uchanin V. Development of electromagnetic NDT methods for structural integrity assessment. Procedia Structural Integrity,2019,16:192-197 CSCD被引 2 次    
8.  Cha Y J. Deep learning-based crack damage detection using convolutional neural networks. Computer-Aided Civil and Infrastructure Engineering,2017,32(5):361-378 CSCD被引 175 次    
9.  Priyadumkol J. Crack detection on unwashed eggs using image processing. Journal of Food Engineering,2017,209:76-82 CSCD被引 8 次    
10.  陈波. 基于全卷积神经网络的坝面裂纹检测方法研究. 水力发电学报,2020,39(7):52-60 CSCD被引 17 次    
11.  Zheng Z. Automated rail surface crack analytics using deep data-driven models and transfer learning. Sustainable Cities and Society,2021,70:102898 CSCD被引 4 次    
12.  王森. 基于深度学习的全卷积网络图像裂纹检测. 计算机辅助设计与图形学学报,2018,30(5):859-867 CSCD被引 31 次    
13.  吕帅帅. 基于改进Mask-RCNN的飞行器结构裂纹自动检测方法. 振动.测试与诊断,2021,41(3):487-494 CSCD被引 7 次    
14.  申铉京. 快速递归多阈值分割算法. 吉林大学学报(工学版),2016,46(2):528-534 CSCD被引 4 次    
15.  张玉燕. 基于Faster R-卷积神经网络的金属点阵结构缺陷识别方法. 兵工学报,2019,40(11):2329-2335 CSCD被引 9 次    
16.  孙皓泽. 一种基于分层多尺度卷积特征提取的坦克装甲目标图像检测方法. 兵工学报,2017,38(9):1681-1691 CSCD被引 14 次    
17.  王伟平. 基于注意力机制与深度学习算法的机床主轴系统故障辨识. 兵工学报,2022,43(4):861-875 CSCD被引 2 次    
18.  曹磊. 基于改进RPN的Faster-RCNN网络SAR图像车辆目标检测方法. 东南大学学报(自然科学版),2021,51(1):87-91 CSCD被引 14 次    
引证文献 4 篇

1 贾文博 飞机结构X射线裂纹图像智能评定 航空工程进展,2024,15(1):97-104
CSCD被引 0 次

2 刘梦真 小样本驱动特征分段网络的防护材料折痕检测 兵工学报,2024,45(3):963-974
CSCD被引 1 次

显示所有4篇文献

论文科学数据集
PlumX Metrics
相关文献

 作者相关
 关键词相关
 参考文献相关

版权所有 ©2008 中国科学院文献情报中心 制作维护：中国科学院文献情报中心
地址：北京中关村北四环西路33号 邮政编码：100190 联系电话：(010)82627496 E-mail:cscd@mail.las.ac.cn 京ICP备05002861号-4 | 京公网安备11010802043238号