[发明专利]基于航空发动机孔探裂纹检测轻量化部署方法

说明书

一种基于航空发动机孔探裂纹检测轻量化部署方法，包括步骤；1)获取航空发动机孔探裂纹的图像或视频，并构成孔探裂纹图像数据集；视频是多个连续帧图像；2)建立基于GhostNet的YOLOv5卷积神经网络模型；3)训练改进的YOLOv5卷积神经网络模型；4)利用训练好的权重文件与测试数据集进行测试，针对改进模型的测试结果进行消融实验，对各个模型的性能进行对比，从中选择性能最好的YOLOv5改进网络模型；5)将改进的网络模型部署到Jetson Nano嵌入式平台，利用训练好的权重文件对孔探裂纹图像和视频进行检测；通过比较裂纹检测的精准度和单帧图像推理时间，对改进模型的轻量化部署进行最终的评估。

技术领域

本发明属于计算机视觉领域，特别涉及了针对嵌入式平台的轻量化部署目标检测方法，在降低了网络的参数规模和运算量的同时，进一步保证了目标检测的准确率，提升了航空发动机孔探裂纹检测网络在实际嵌入式应用场景中的检测速度和检测精度。

背景技术

目前航空发动机孔探裂纹检测工作，具有时间紧、任务重、检测要求高等特点。因此，低效率的人工检测方式和高成本的服务器端图像和视频识别已无法满足现阶段的工程实际需求。当下，迫切需要一种能够在嵌入式平台上自动进行目标检测的轻量化网络，以此来缓解检测人员的压力，降低检测成本，同时进一步提升检测速度和精度。

目标检测作为计算机视觉领域的研究方向之一，能够为图像和视频的语义理解提供有价值的信息，其本质是对目标进行定位和分类。如今，基于卷积神经网络的目标检测以绝对的优势超过了传统的目标检测算法，但由于卷积神经网络结构复杂、计算量过大，导致其很难在算力有限、对于AI模型的存储大小较为敏感的嵌入式平台实现实时应用。为便于智能检测算法在嵌入式设备上的部署，业界提出了诸多轻量化网络。但由于这些业界轻量化网络以牺牲自身检测准确度为代价，以此来减少大量的卷积运算与浮点运算，导致最终仍就无法满足工程实际中的精度需求。

综上所述，在降低网络的参数规模和运算量的同时，又能保证目标检测准确率的轻量化部署算法研究，对提高航空发动机孔探裂纹检测的可靠性、便捷性，以及推动人工智能在故障诊断中的创新应用和技术进步具有重要的实际意义。

发明内容

为了解决上述问题，本发明提供一种基于航空发动机孔探裂纹检测轻量化部署方法，该方法在降低网络的参数规模和运算量的同时，进一步保证了目标检测的准确率，更适合在嵌入式平台上进行部署。

本方法的思路为：

首先，针对YOLOv5算法相比于其它轻量化部署网络，具有网络模型大、运算量大、运行效率低等问题，提出一种基于GhostNet的YOLOv5轻量化模型，使用GhostBottleneck模块代替原网络C3结构中的Bottleneck模块，通过一些简单的线性运算代替部分卷积，减少卷积运算，从而减少参数量以及浮点运算量。

然后，针对替换轻量化模型导致的精度下降问题，在新加入的GhostBottleneck模块中引入CBAM注意力机制，结合通道注意力机制和空间注意力机制，增强模型对有效特征的关注。另外在原网络Neck结构中，使用BiFPN代替PANet以实现更高效的多尺度特征融合，增加推理速度和检测精度。

最后，针对实际孔探裂纹检测中存在的光照不均匀现象，提出非均匀光照图像自适应暗光增强算法，进一步解决替换轻量化结构带来的精度损失问题。

最终的改进模型在降低了网络的参数规模和运算量的同时，进一步保证了目标检测的准确率，提升了网络在嵌入式环境下的检测速度和检测精度。

本发明的具体技术方案如下：

步骤1，在南方航空公司对航空发动机孔探裂纹的图像和视频数据进行采集，然后对采集的数据图像进行标注，使用矩形框标注裂纹的位置，并标注图像类别为裂纹。最后对采集的图像进行数据增强，用以扩充数据集；完成以上操作构成孔探裂纹数据集；

步骤2，构造改进的YOLOv5卷积神经网络；