[发明专利]一种基于深度学习的构件损伤检测方法及系统

权利要求书

1.一种基于深度学习的构件损伤检测方法，其特征在于，包括以下步骤：

利用搭载相机的无人机采集飞机构件的图像数据，作为初始数据；

对初始数据进行预处理，得到训练数据集；

搭建深度卷积神经网络，将训练数据集输入深度卷积神经网络中进行模型训练，直至模型收敛，得到最优的飞机构件损伤检测模型；

利用最优的飞机构件损伤检测模型进行飞机构件损伤的识别，确定损伤类型及损伤位置。

2.根据权利要求1所述的一种基于深度学习的构件损伤检测方法，其特征在于，无人机包括：机体、无人机旋翼、飞行控制器、相机、无线传输器；

机体的两侧对称设置有用以实现无人机飞行的无人机旋翼；

机体的内部设置有用于控制无人机旋翼的飞行控制器；

相机通过二维旋转云台设置在机体上，二维旋转云台由水平和俯仰转台组成且间隔距离设置；

无线传输器设置在机体内部，且无线传输器与地面基站通讯连接以控制通讯和图像数据传输。

3.根据权利要求1所述的一种基于深度学习的构件损伤检测方法，其特征在于，采集飞机构件的图像数据，具体包括以下步骤：

预先设定任务目标点，并规划一条无视障碍物的初始轨迹；

操纵无人机按照初始轨迹环绕飞机进行试飞拍摄，采集初始图像；

根据不同飞机机身结构、试飞拍摄的初始图像的效果以及初始轨迹经过的障碍物信息，确定无人机的最优绕检路径、绕检高度及扫描区域，确定重要目标拍摄点；

操纵无人机在确定出的绕检高度下按照最优绕检路径进行飞行，根据确定出的重要目标拍摄点，控制无人机悬停并使相机对准目标进行拍摄；

自建数据集，利用无人机搭载相机采集多种拍摄角度、多个飞机机型和多种环境下的飞机构件图像数据。

4.根据权利要求1所述的一种基于深度学习的构件损伤检测方法，其特征在于，对初始数据进行预处理，具体包括以下步骤：

将采集的每一帧的飞机构件图像作为一个样本，由所有飞机构件图像组成第一数据集；

从第一数据集的飞机构件图像中筛选能够辨认损伤的飞机构件原始图像，组成第二数据集；

对筛选出的飞机构件原始图像进行损伤类型及损伤位置的标注，由标注好的样本组成第三数据集；损伤类型包括变形、划痕、腐蚀、铆钉损伤和掉漆；

对第三数据集中每个飞机构件图像上所有含有标注的区域进行切块处理，对切块处理后的图像依次进行旋转、翻转、随机曝光度调整，得到训练数据集。

5.根据权利要求1所述的一种基于深度学习的构件损伤检测方法，其特征在于，搭建的深度卷积神经网络采用U-Net语义分割网络架构，包括编码器、解码器和跳跃连接；

编码器采用ResNet-50神经网络架构，用于编码输入图像的多层次语义特征；解码器基于编码器和跳跃连接传递图像多层次语义特征，预测输入图像中各像素的损伤类型；

进行模型训练，具体包括以下步骤：

将训练数据集输入U-Net语义分割网络的编码器中，在编码器中使用卷积运算，采用多个连续的下采样逐步提取飞机构件图像的特征信息；

将特征信息通过U-Net语义分割网络的解码器进行多个上采样，以将浅层特征和深层特征进行融合，还原图像信息；

采用梯度下降方法，对模型权值进行多次迭代更新，直至损失函数收敛，完成模型的训练及优化，得到最优的飞机构件损伤检测模型。