申请/专利权人：中国飞机强度研究所

申请日：2021-08-23

公开（公告）日：2024-04-12

公开（公告）号：CN113706496B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/40;G06V10/75;G06V10/82;G06V10/764;G06N3/045;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2021.12.14#实质审查的生效;2021.11.26#公开

摘要：本申请属于结构健康监测领域，特别涉及一种基于深度学习模型的飞行器结构裂纹检测方法。包括：步骤一、构建深度学习模型包括：疑似裂纹特征提取模块，用于从待检测图像中提取包含疑似裂纹区域的特征图，并获取疑似裂纹区域的坐标信息；对比特征提取模块，用于根据疑似裂纹区域的坐标信息，从无裂纹的模板图像中提取对应区域的特征图；裂纹判定模块，用于将疑似裂纹特征提取模块输出的特征图与对比特征提取模块输出的特征图进行对比，判定疑似裂纹区域是否有裂纹；步骤二、进行深度学习模型训练；步骤三、进行飞行器结构裂纹检测。本申请能够减小干扰因素对裂纹检测准确率的影响，实现飞行器结构疲劳裂纹准确、快速、实时的识别与预警。

主权项：1.一种基于深度学习模型的飞行器结构裂纹检测方法，其特征在于，包括：步骤一、构建深度学习模型，所述深度学习模型包括：疑似裂纹特征提取模块1，用于从待检测图像中提取包含疑似裂纹区域的特征图，并获取疑似裂纹区域的坐标信息；对比特征提取模块2，用于根据疑似裂纹区域的坐标信息，从无裂纹的模板图像中提取对应区域的特征图；裂纹判定模块3，用于将疑似裂纹特征提取模块1输出的特征图与对比特征提取模块2输出的特征图进行对比，判定疑似裂纹区域是否有裂纹；步骤二、进行深度学习模型训练；步骤三、通过所述深度学习模型进行飞行器结构裂纹检测；所述疑似裂纹特征提取模块1包括待检测图像输入单元4、监测区域标定网络单元5、基础特征提取网络单元6、疑似裂纹特征图单元7、区域建议网络单元8以及疑似裂纹推荐框单元9，其中，所述待检测图像输入单元4用于输入图像，其中，步骤二中，在进行深度学习模型训练时，所述待检测图像输入单元4用于输入有裂纹的图像；步骤三中，在通过所述深度学习模型进行飞行器结构裂纹检测时，所述待检测图像输入单元4用于输入待检测图像；所述监测区域标定网络单元5用于实现对所述待检测图像输入单元4输入的图像进行监测区域的标定；所述基础特征提取网络单元6用于从监测区域中提取基础特征；所述疑似裂纹特征图单元7用于提取包含具有基础特征的监测区域的特征图；所述区域建议网络单元8用于获取具有基础特征的监测区域的坐标信息；所述疑似裂纹推荐框单元9用于根据包含具有基础特征的监测区域的特征图生成推荐框特征图；所述对比特征提取模块2包括模板图像输入单元10、监测区域标定网络单元5、基础特征提取网络单元6、对比特征图单元11以及疑似裂纹对比框单元12，其中，所述模板图像输入单元10用于输入无裂纹的模板图像，其中，步骤二中，在进行深度学习模型训练时，所述模板图像输入单元10用于输入两个无裂纹的模板图像；步骤三中，在通过所述深度学习模型进行飞行器结构裂纹检测时，所述模板图像输入单元10用于输入一个无裂纹的模板图像；所述监测区域标定网络单元5用于实现对所述模板图像输入单元10输入的模板图像进行监测区域的标定；所述基础特征提取网络单元6用于从监测区域中提取基础特征；所述对比特征图单元11用于提取包含具有基础特征的监测区域的特征图；所述疑似裂纹对比框单元12用于根据所述区域建议网络单元8输出的坐标信息提取对应的包含具有基础特征的监测区域的特征图，并根据对应的包含具有基础特征的监测区域的特征图生成对比框特征图。

全文数据：

权利要求：

百度查询： 中国飞机强度研究所 一种基于深度学习模型的飞行器结构裂纹检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD