一种基于深度学习的飞机发动机叶片缺陷识别诊断系统及方法

摘要

本发明公开了一种基于深度学习的飞机发动机叶片缺陷识别诊断系统及方法，属于飞机发动机叶片缺陷识别诊断领域；本发明通过对采集的目标叶片模拟图像信息进行图像预处理、且将其转换为数字图像信息；同时对目标叶片将数字图像信息进行图像拼接并进行缺陷识别诊断，同时诊断结果进行输出且进行保存至数据库单元；数据库单元根据诊断结果进行分析并进行通过卷积神经网路进行学习，分析缺陷的类型以及识别方法，从而进行组合成新的缺陷的类型以及识别方法；从而本发明可以在缺陷类型的进行诊断积累，对于新的缺陷进行记录且分析，并组合成新的缺陷且存储至数据库中，从而可以有效的保证识别的准确率，进而保证飞机发动机叶片的使用寿命。

说明书

技术领域

本发明公开了一种基于深度学习的飞机发动机叶片缺陷识别诊断系统及方法，属于飞机发动机叶片缺陷识别诊断领域。

背景技术

目前，国内的工件缺陷检测仍是以人工检测为主，即人工对工件射线图像是否存在缺陷以及缺陷是否达到不合格品进行判断，人工检测主要有以下几个缺点：人工检测会因为不同人的评判标准不同，经验的差异而对工件缺陷有不一样的判断；人工检测存在人眼、大脑疲劳的问题，长时间的检测强度可能会引起对于缺陷的漏判错判；人工检测的速度会比较慢。

随着自动化以及人工智能的发展，现在越来越多的工件缺陷自动检测出现，成功解决了传统人工检测的弊端；但现有技术中飞机发动机叶片缺陷识别诊断系统只能识别数据库中存在的缺陷数据，不能识别其他类型缺陷，且由于叶片是曲面的特殊性，且曲面因发动机的不同而不同，所以系统识别缺陷受到限制，从而常常会有一些无法识别的缺陷存在，从而导致叶片使用寿命下降。

发明内容

发明目的：提供一种基于深度学习的飞机发动机叶片缺陷识别诊断系统及方法，以解决上述问题。

技术方案：一种基于深度学习的飞机发动机叶片缺陷识别诊断方法，包括：

获取目标叶片模拟图像信息、且将目标叶片模拟图像信息发送至转换单元；

转换单元进行图像预处理、且将其转换为数字图像信息，同时目标叶片将数字图像信息传输至控制单元；

控制单元进行图像拼接并进行缺陷识别诊断，同时诊断结果进行输出且进行保存至数据库单元；

数据库单元根据诊断结果进行分析并进行通过卷积神经网路进行学习，分析缺陷的类型以及识别方法，从而进行组合成新的缺陷的类型以及识别方法。

优选的，通过转换单元图像预处理、且将其转换为数字图像，具体方法如下：

获取多张目标叶片模拟图像信息；

将目标叶片空间模拟图像进行转换为目标叶片空间数字图像；

进行每一张标叶片空间数字图像去噪、增强、分割和边界提取；

进行图像融合，得到目标叶片空间图像；

输出目标叶片空间图像。

优选的，上述方法中进行每一张图像去噪、增强、分割和边界提取的具体方法如下：

通过将获取的多张目标叶片数字图像运用滑动窗口，对滑动窗口内所有像素点的像素值排序，且对像素点的像素值进行采用卷积的方式，从而完成图像平滑，实现噪声滤波；

对图像中的细节区域采用灰度系数增强手段，进行将滤波后的图像像素灰度值与原始图像像素的灰度值之间增强数倍；

对经过图像增强处理后的目标叶片图像设定合理的灰度阈值，根据灰度值的大小是否在给定的阈值中，进而完成图像分割，提取目标叶片图像中的特征细节；

对图像中特征区域从背景中提取出来，从而完成提取目标叶片图像中的特征。

优选的，进行图像融合，得到目标叶片空间图像的具体方法图下：

依次进行每张图片的颜色空间转换；

对多幅图像进行图像配准；

通过对完成图像配准确定目标叶片的空间变换关系，进行特征融合，

最后进各幅图像重叠区域的拼接，形成三维图像，进而得到目标叶片空间图像并输出。

优选的，上述方法中对多幅图像进行特征融合具体方法如下：

从多幅图像中挑选两幅图像，并设两幅图像的重叠区域的长度；

确定两幅图像的灰度权重；即加入灰度权重分配因子来确定两幅图像的灰度权重；

进行图像融合，并确定重叠区域的像素灰度值；

根据灰度权重分配因子来确定融合图像，灰度权重分配因子的值取0时，图像为第二幅图像，灰度权重分配因子的值为1时，图像为第一幅图像；具体公式如下：

式中，

优选的，对图像拼接后的叶片模型进行缺陷识别诊断，同时诊断结果进行输出且进行保存至数据库单元目标缺陷的识别诊断，并输出诊断结果；具体方法如下：

提取目标叶片空间图像的特征点，并与数据库中的叶片类型特征点进行匹配，得到叶片类型型号；

进行提取类型缺陷数据库，进行目标叶片空间图像与类型缺陷数据库进行匹配，进而确定叶片存在的缺陷；

输出缺陷区域报告；同时进行更新缺陷数据库。

优选的，而确定叶片存在的缺陷的具体方法如下：

根据类型缺陷数据库中的缺陷类型区域进行选取目标叶片空间图像中的候选区域；

对每个候选区域分别计算属于每个类别的概率以及变换参数；

对候选区域进行变换，之后还需要根据候选区域属于各类别的概率进行筛选；

剔除无缺陷的候选区域。

优选的，数据库单元根据诊断结果进行分析并进行通过卷积神经网路进行学习，分析缺陷的类型以及识别方法，从而进行组合成新的缺陷的类型以及识别方法；具体方法如下：

首先获取新的叶片缺陷数据信息；

分析叶片缺陷数据信息，剔除缺陷数据库中已有缺陷信息；

对新的叶片缺陷数据信息进行图像位置定位；

进行缺陷位置特征提取；

进行将缺陷特征分解为多个子特征，且将子特征进行存储数据库；

进行特征融合训练，从而形成新的缺陷特征，且存储值缺陷数据库中。

一种基于深度学习的飞机发动机叶片缺陷识别诊断系统，包括：

图像采集单元，用于进行采集目标叶片各个方位图像；

转换单元，用于将采集的目标叶片模拟图像进行图像预处理、且将其转换为数字图像信息；

控制单元，用于进行目标叶片缺陷识别诊断同时诊断结果进行输出和保存；

数据库单元，用于进行保存诊断结果、缺陷数据信息和更新的缺陷数据。

优选的，数据库单元包括：

深度学习模块，用于对新的叶片缺陷进行分解、特征提取、保存，以及组合成新的缺陷特征信息，并进行保存；

缺陷数据库模块，用于保存原有的缺陷数据信息、更新缺陷数据信息和特征点信息。

有益效果：本发明通过对飞机发动机叶片进行缺陷识别，通过对采集的目标叶片模拟图像信息进行图像预处理、且将其转换为数字图像信息；同时对目标叶片将数字图像信息进行图像拼接并进行缺陷识别诊断，同时诊断结果进行输出且进行保存至数据库单元；数据库单元根据诊断结果进行分析并进行通过卷积神经网路进行学习，分析缺陷的类型以及识别方法，从而进行组合成新的缺陷的类型以及识别方法；从而本发明可以在缺陷类型的进行诊断积累，对于新的缺陷进行记录且分析，并组合成新的缺陷且存储至数据库中，从而可以有效的保证识别的准确率，进而保证飞机发动机叶片的使用寿命。

附图说明

图1是本发明的缺陷识别诊断方法流程图。

图2是本发明的图像预处理方法流程图。

图3是本发明的深度学习方法流程图。

图4是本发明的深度学习方法框图。

图5是本发明的缺陷识别诊断系统看框图。

具体实施方式

如图1所示，在该实施例中，一种基于深度学习的飞机发动机叶片缺陷识别诊断方法，包括：

首先，通过图像采集单元对飞机发动机目标叶片进行多方面检测，并生成目标叶片模拟图像信息、且将目标叶片模拟图像信息发送至转换单元；

转换单元接收目标叶片模拟图像信息，并进行图像预处理、且将其转换为数字图像信息，同时目标叶片将数字图像信息传输至控制单元；

控制单元接收目标叶片将数字图像信息，进行图像拼接并进行缺陷识别诊断，同时诊断结果进行输出且进行保存至数据库单元；

数据库单元根据诊断结果进行分析并进行通过卷积神经网路进行学习，分析缺陷的类型以及识别方法，从而进行组合成新的缺陷的类型以及识别方法。

在一个实施例中，在进行多方面图像采集中，会采集到不属于目标叶片的图像信息，这样信息不仅干扰着识别检测工作，同时会增大工作量；进而通过转换单元图像预处理、且将其转换为数字图像，从而保证图像的完整性以及准确性；具体方法如下：

获取多张目标叶片模拟图像信息；

将目标叶片空间模拟图像进行转换为目标叶片空间数字图像；

进行每一张标叶片空间数字图像去噪、增强、分割和边界提取；

进行图像融合，得到目标叶片空间图像；

输出目标叶片空间图像。

在进一步的实施例中，在获取目标叶片的图像数据时，由多方面因素导致的在真实数据中掺杂无关干扰点，在对获取目标叶片的图像数据进行图像融合时，会造成模型的曲线曲面不光滑，上述方法中进行每一张图像去噪、增强、分割和边界提取是为了消除每张采集图像中的噪声和多余特征、以及其他特征，并对图像进行特征增强和提取，从而输出特征图像；具体方法如下：

首先将获取的多张目标叶片数字图像通过运用滑动窗口，对滑动窗口内所有像素点的像素值排序，且对像素点的像素值进行采用卷积的方式，从而完成图像平滑，实现噪声滤波；具体公式如下：

式中，

其次在进行完成噪声滤波后，原有的目标叶片的特征细节会被均值滤波变得模糊和淡化，从而需要通过对所得结果做出增强，从而突出目标叶片的特征细节；通过图像中目标叶片的边框、特征、边缘等细节区域采用灰度系数增强手段，进行将滤波后的图像像素灰度值与原始图像像素的灰度值之间增强数倍，从而与滤波后的图像像素灰度值之和（即为增强后的图像像素灰度值），从而使得图像中目标叶片的边框、特征、边缘等细节增强；

进而增强后的目标叶片图像通过区分图像中的目标特征区域和特征区域之外的背景在灰度特性上的差异，实现突出特征区域中目标叶片特征细节内容的目的；通过以图像的中心点（叶片的圆心）最为起点，其叶片的最大长度为半径从而做圆，圆形区域内的为特征区域；并对特征区域内的像素点灰度值进行二值化处理，根据阈值的限制范围区分出图像中的特征区域和区域背景；从而对经过图像增强处理后的目标叶片图像设定合理的灰度阈值，根据灰度值的大小是否在给定的阈值中，进而完成图像分割，提取目标叶片图像中的特征细节；

最后将通过图像分割后的目标叶片图像中的特征区域从背景中提取出来，即需要提取图像中的特征区域的叶片轮廓边界，为之后分析轮廓信息和图像融合，从而进行叶片类型识别；通过两个 3×3 矩阵，两个矩阵分别对应横向模板和纵向模板；两个矩阵对图像进行平面卷积和；从而获取两个方向的灰度差分近似值，然后对图像中每个像素点方向的梯度近似值进行计算，并根据结果求得梯度方向，根据梯度方向进行确认保留的方向，从而进行保留此方向；从而完成提取目标叶片图像中的特征。

在更进一步的实施例中，进行图像融合，得到目标叶片空间图像；通过对多张目标叶片空间数字图像进行预处理，从而输出目标叶片特征图像，进而提取每张目标叶片特征图像中的目标叶片特征点，且与其他图像上的目标叶片特征点进行融合，从而得到目标叶片的空间图像；具体方法如下：

首先，依次进行每张图片的颜色空间转换，将目标叶片模拟图像信息的原始图像进行尺度放缩，和颜色空间的转换，在较小的尺度下根据HSV颜色空间中的阈值设定，进而将特征标记点与图像背景分离；

进而对多幅图像进行图像配准；即对多幅图像中的特征标记点进行特征提取，提取共有的特征结构，即对物体的角点、边缘、边界等进行提取，进而通过行相似性度量完成目标叶片特征结构的匹配，进而获得图像的空间几何变换关系和坐标变换参数；通过坐标变换参数完成坐标的变换以及进行灰度插值，从而完成图像配准；

其次通过完成图像配准确定目标叶片的空间变换关系，进行特征融合，即在每张目标图像的重叠区域部分由一幅图像的重叠部分线性的过渡到另一幅图像的重叠部分，即是图像融合后，重叠区域的灰度值是由原来两幅图像的灰度值按照一定的权重比例相加得到；具体方法如下：

从多幅图像中挑选两幅图像，并设两幅图像的重叠区域的长度；

确定两幅图像的灰度权重；即加入灰度权重分配因子来确定两幅图像的灰度权重；

进行图像融合，并确定重叠区域的像素灰度值；

根据灰度权重分配因子来确定融合图像，灰度权重分配因子的值取0时，图像为第二幅图像，灰度权重分配因子的值为1时，图像为第一幅图像；具体公式如下：

式中，

最后进各幅图像重叠区域的拼接，形成三维图像，进而得到目标叶片空间图像并输出。

在一个实施例中，根据得到的目标叶片空间图像进行叶片类型匹配，进而确认目标叶片的型号，根据叶片型号进行提取类型缺陷数据库；进而通过对得到目标叶片空间图像进行特征提取，以及与缺陷数据库进行图像对比，从而完成对目标缺陷的识别诊断，并输出诊断结果；具体方法如下：

提取目标叶片空间图像的特征点，并与数据库中的叶片类型特征点进行匹配，得到叶片类型型号；

进行提取类型缺陷数据库，进行目标叶片空间图像与类型缺陷数据库进行匹配，进而确定叶片存在的缺陷；

输出缺陷区域报告；同时进行更新缺陷数据库。

在进一步的实施例中，而确定叶片存在的缺陷的具体方法如下：

根据类型缺陷数据库中的缺陷类型区域进行选取目标叶片空间图像中的候选区域；

对每个候选区域分别计算属于每个类别的概率以及变换参数；

对候选区域进行变换，之后还需要根据候选区域属于各类别的概率进行筛选；

剔除无缺陷的候选区域。

在更进一步的实施例中，根据候选区域属于各类别的概率进行筛选的具体方法如下：

选出所有候选区域属于类别的概率；

根据候选区域属于类别的概率进行非极大值抑制，滤除候选区域之间相互重叠面积大的区域；

进行将所有的类别都经过筛选。

在一个实施例中，数据库单元根据诊断结果进行分析并进行通过卷积神经网路进行学习，分析缺陷的类型以及识别方法，从而进行组合成新的缺陷的类型以及识别方法；具体方法如下：

首先获取新的叶片缺陷数据信息；

分析叶片缺陷数据信息，剔除缺陷数据库中已有缺陷信息；

对新的叶片缺陷数据信息进行图像位置定位；

进行缺陷位置特征提取；

进行将缺陷特征分解为多个子特征，且将子特征进行存储数据库；

进行特征融合训练，从而形成新的缺陷特征，且存储值缺陷数据库中。

一种基于深度学习的飞机发动机叶片缺陷识别诊断系统，包括：

图像采集单元，用于进行采集目标叶片各个方位图像；

转换单元，用于将采集的目标叶片模拟图像进行图像预处理、且将其转换为数字图像信息；

控制单元，用于进行目标叶片缺陷识别诊断同时诊断结果进行输出和保存；

数据库单元，用于进行保存诊断结果、缺陷数据信息和更新的缺陷数据。

在一个实施例中，数据库单元包括：

深度学习模块，用于对新的叶片缺陷进行分解、特征提取、保存，以及组合成新的缺陷特征信息，并进行保存；

缺陷数据库模块，用于保存原有的缺陷数据信息、更新缺陷数据信息和特征点信息。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。