基于人工智能的航空发动机叶片缺陷快速精准识别方法与设计方案.pdfVIP

图片简介:

本技术提出了一种基于人工智能的航空发动机叶片缺陷快速精准别方法，采用人工标定及数据增强技

术建设涡轮叶片检测图像数据库，有效的解决了样本量少的问题，有利于提高模型的泛化能力。基于人

工智能深度学习方法，构建涡轮叶片缺陷检测别网络，采用最大熵原理加速策略等技术解决“真伪”缺

陷别问题，极大的提高了模型的训练速度和精度。该检测方法有效克服由于经验差异、人工评估眼睛

疲劳、标准理解等人为因素影响，使叶片的射线检测工作实现标准化和智能化目标，极大的提高了检测

效率和准确性，保证了涡轮叶片生产可靠性。

技技术术要要求求

1.一种基于人工智能的航空发动机叶片缺陷快速精准别方法，其特征在于：包括以下步骤：

步骤1：建立涡轮叶片射线检测图像数据库，包括完好叶片图像数据库和缺陷叶片图像数据库；其中

缺陷叶片图像数据库中对每个缺陷叶片数字图像中的缺陷的种类和位置进行了标定；

步骤2：建立并训练航空发动机叶片初检模型：

选择DenseNet模型，去掉其中的Classification层，在该模型的第4次DenseBlock后连接两个全连接

层，随后连接一个二分类的输出层，从而建立二分类的深度卷积网络模型作为航空发动机叶片初检模

型；

采用完好叶片图像和缺陷叶片图像作为样本数据对航空发动机叶片初检模型进行训练；

步骤3：建立并训练航空发动机叶片复检模型：

分别基于FasterRCNN算法和SSD算法建立缺陷检测别模型；

从缺陷叶片图像数据库中选择缺陷检测训练数据和缺陷检测测试数据，分别训练基于FasterRCNN算

法和SSD算法建立的缺陷检测别模型，得到两套航空发动机叶片缺陷复检模型；

步骤4：利用步骤2得到的航空发动机叶片初检模型，检测航空发动机叶片是否含有缺陷，对判断有缺

陷的航空发动机叶片，则进一步利用步骤3得到的航空发动机叶片复检模型检测并别缺陷的种类和

位置；其中最终的缺陷种类置信度和位置信息由两套航空发动机叶片缺陷复检模型输出的缺陷种类置

信度和位置信息分别进行加权平均而得到。

2.根据权利要求1所述一种基于人工智能的航空发动机叶片缺陷快速精准别方法，其特征在于：步

骤1中，涡轮叶片射线检测图像数据库中的数字图像包括通过计算机断层扫描技术对叶片扫描后得到

的数字图像，也包括对已有叶片X射线扫描胶片进行数字化处理得到的数字图像，还包括通过对已有

数字图像进行图片扩展及数据增强处理后得到的数字图像。

3.根据权利要求2所述一种基于人工智能的航空发动机叶片缺陷快速精准别方法，其特征在于：对

已有叶片X射线扫描胶片进行数字化处理的过程为：

采用片数字化扫描仪对叶片X射线扫描胶片进行数字化处理，其中对叶片X射线扫描胶片进行黑度范

围0.54.5D的DS级扫描，扫描最高分辨率为7980×9690和570DPI，线对达到11LP/mm，几何清晰度在

横向和纵向上优于1％或2个像素；

在数字化处理后基于超分辨率技术，通过边缘导向插值以及基于图像数据结构拟合方法，进一步消除

扫描过程中的噪点、灰度偏差和纹理损失。

4.根据权利要求1所述一种基于人工智能的航空发动机叶片缺陷快速精准别方法，其特征在于：步

骤1中，通过模糊推理的方式从涡轮叶片缺陷的典型特征参数中提取缺陷类别，其中涡轮叶片缺陷的

典型特征参数选为缺陷的边缘平滑度、端部尖锐程度、走向变化率、相对位置、对称性、夹角、长短

轴比、缺陷以及缺陷外部灰度相对变化率共11项，缺陷类别为裂纹、冷隔、气孔、夹渣、疏松5种类

别；在图像特征中将典型特征参数表示为：

C＝{ci|i＝1,2,…,9}

定义

D＝{dj|j＝1,2,…,5}

为缺陷类别集合；

建立缺陷标签数据集：首先将典型特征参数ci作为规则前提，缺陷类别dj作为规则结论，以规则可信

度CF为推理依据，在C和D间建立模糊推理：

根据模糊产生式规则的判定表达式：

确定出每个图片上的缺陷类别，进行人工标定，建立缺陷标签；其中，ci为规则前提，dj为规则结

论，ω≥0是隶属度，CF为规则可信度。

5.根据权利要求1所述一种基于人工智能的航空发动机叶片缺陷快速精准别方法，其特征在于：步

骤2中采用onehot编码将完好叶片图像的图像标签设为(1，0)，将缺陷叶片图像的图像标签设为

(0，1)，采用完好叶片图像和缺陷叶片图像作为样本数据，通过迁移学习方法对航空发动机叶片初检

模型进行训练；且在训练过程中，按照预设的学习率对模型进行训练，其中在训练到预设的次数时，

对学习率进行衰减。

6.根据权利要求1所述一种基于