[发明专利]一种基于深度学习模型的飞行器结构裂纹检测方法

权利要求书

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。

2.根据权利要求1所述的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，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。

3.根据权利要求2所述的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，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。

4.根据权利要求3所述的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，步骤二中，在进行深度学习模型训练时，在所述疑似裂纹对比框单元(12)中生成有的对比框特征图包括基于第一模板图像生成的第一对比框特征图，以及基于第二模板图像生成的第二对比框特征图。

5.根据权利要求4所述的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，所述裂纹判定模块(3)包括推荐框池化网络单元(13)、数据组合网络单元(14)以及分类网络单元(15)，其中，

所述推荐框池化网络单元(13)用于对推荐框特征图以及对比框特征图进行池化处理；

所述数据组合网络单元(14)用于将推荐框特征图以及对比框特征图按照裂纹位置进行重新排列组合；

所述分类网络单元(15)用于从重新排列组合后的推荐框特征图以及对比框特征图中筛选出有裂纹的推荐框特征图。