[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

说明书

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。

技术领域

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。

背景技术

金属裂纹是航空结构的一种常见损伤形式。在航空结构疲劳试验过程中及时发现并预警损伤，能够暴露航空结构设计的薄弱环节，支撑结构强度和完整性评估，同时也为航空结构维修手册编写提供依据。目前在飞机全尺寸疲劳试验中裂纹的检测手段主要包括目视检查、涡流和超声等，上述方法均对专家经验具有较强的依赖性，并且由于试验环境复杂、试验加载过程中检测风险大和有限空间操作困难等问题，裂纹检测存在人工成本高、耗时长、检测可靠性偏低等问题。因此，实现航空结构裂纹自动化、智能化的高可靠性检测是飞机全尺寸疲劳试验目前亟需解决的问题。

随着近十余年间机器人技术和人工智能技术的深入发展及其在民用领域的应用，机器视觉为飞机疲劳试验中的裂纹自动化检测提供了一条新的解决途径。通过高精度运动系统(如爬行机器人、机械臂)和工业摄像头获取监测部位的高清图像，再应用目标检测算法进行裂纹自动识别并执行损伤预警，可以大幅度降低人工在成本、实时性和危险性等方面的不利影响。

以更快的-区域卷积神经网络(Faster-region Convolutional Neural Network，简称Faster-RCNN)为代表的深度学习目标检测算法，因具备快速、高准确率的优势，目前已被广泛应用于物体识别。但是在飞行器结构疲劳试验中，由于环境的复杂性，检测区域内极易出现污损、划痕等与裂纹特征相似度较高的干扰，造成直接使用现有目标检测算法进行裂纹检测时存在较高的误判率，进而影响疲劳试验进度。

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。

发明内容

本申请的目的是提供了一种基于深度学习模型的飞行器结构裂纹检测方法，以解决现有技术存在的至少一个问题。

本申请的技术方案是：

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，所述深度学习模型包括：

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、通过所述深度学习模型进行飞行器结构裂纹检测。

在本申请的至少一个实施例中，所述疑似裂纹特征提取模块包括待检测图像输入单元、监测区域标定网络单元、基础特征提取网络单元、疑似裂纹特征图单元、区域建议网络单元以及疑似裂纹推荐框单元，其中，

所述待检测图像输入单元用于输入图像，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用于输入有裂纹的图像；