一种航空发动机叶片损伤识别模型、损伤识别方法及系统

摘要

本发明公开了一种航空发动机叶片损伤识别模型、基于该航空发动机叶片损伤识别模型的叶片损伤识别方法及系统，涉及图像识别技术领域。本发明基于YOLOv4模型进行了改进，构建了航空发动机叶片孔探损伤识别模型，航空发动机叶片孔探损伤识别模型将YOLOv4模型中的主干特征提取网络CSPDarknet53结构替换为VoVNetv2‑39结构，VoVNetv2‑39结构参数量更少、自上而下特征传递路径更短，提高了检测精度，本发明采用改进的YOLOv4模型，实现了叶片损伤的自动识别和定位，且能够在计算能力较差的终端设备适用。

说明书

技术领域

本发明涉及图像识别技术领域，特别是涉及一种航空发动机叶片损伤识别模型、基于该航空发动机叶片损伤识别模型的叶片损伤识别方法及系统。

背景技术

航空发动机作为航空器心脏，其核心部件通常运转在高温、高压、高转速的恶劣环境下，长期运转将导致关键部件使用性能下降。孔探技术作为发动机状态监测最有效的手段之一，研究人员利用孔探设备深入不易拆卸的部件内部进行损伤识别。但是目前航空发动机孔探技术智能化程度不高，孔探设备只具备视频图像采集功能，不具备视频图像的处理和分析能力，缺陷图像的测量和评估数据都是检验人员在计算机上人工分析取得；同时该技术对检验人员资质要求高，受限于人工操作水平和能力，不仅工作强度大，且工作效率低，极易产生人为差错。

近年来发生的航空发动机重大损伤中转动件失效概率最高，其中叶片损伤占有相当大的比率。因此，为了减少设备失效造成的生命财产损失，降低航空发动机故障诊断成本，以实现叶片损伤的自动识别和定位为目的，可将航空发动机叶片损伤问题看作是一个基于图像的目标检测问题。但现有的以R-CNN家族为代表的两阶段目标检测算法模型大、占用资源多、检测速度慢，不适合应用到计算能力较差的终端设备中。

发明内容

本发明的目的是提供一种航空发动机叶片损伤识别模型、基于该航空发动机叶片损伤识别模型的叶片损伤识别方法及系统，能够在计算能力较差的终端设备适用。

为实现上述目的，本发明提供了如下方案：

一种航空发动机叶片损伤识别模型，包括：主干特征提取网络、加强特征提取网络和预测网络；

所述主干特征提取网络，为VoVNetv2-39网络，用于提取叶片孔探图像的若干初步特征；

所述加强特征提取网络，包括SPP模块和PANet模块，与所述主干特征提取网络连接，用于融合若干所述初步特征，提取有效特征；

所述预测网络，包括YOLO Head模块，与所述加强特征提取网络连接，用于利用所述有效特征获得所述叶片孔探图像中叶片的损伤信息，所述损伤信息包括损伤类型、损伤尺寸以及损伤位置。

可选的，所述VoVNetv2-39网络包括stem模块和四个依次连接的OSA模块；第一OSA模块与所述stem模块连接，第二OSA模块输出的第一初步特征层经一次卷积块后输入所述PANet模块；第三OSA模块输出的第二初步特征层经一次卷积块后输入所述PANet模块；第四OSA模块输出的第三初步特征层经三次卷积块后输入所述SPP模块。

一种基于航空发动机叶片损伤识别模型的航空发动机叶片损伤识别方法，包括：

将叶片孔探图像输入训练好的上述的航空发动机叶片损伤识别模型，识别所述叶片孔探图像中叶片的损伤信息，所述损伤信息包括损伤类型、损伤尺寸以及损伤位置。

一种基于航空发动机叶片损伤识别模型的航空发动机叶片损伤识别系统，包括：航空发动机叶片损伤识别单元，用于执行上述的航空发动机叶片损伤识别方法。

可选的，还包括：图片检测模块；

所述图片检测模块，与所述航空发动机叶片损伤识别单元连接，用于获取叶片孔探图像，并输出所述航空发动机叶片损伤识别单元的损伤识别结果。

可选的，还包括：视频检测模块；

所述视频检测模块，与所述航空发动机叶片损伤识别单元连接；

所述视频检测模块，用于：

获取叶片孔探视频，对所述叶片孔探视频进行分帧处理，得到若干叶片孔探图像；

将若干所述叶片孔探图像输入所述航空发动机叶片损伤识别单元，并输出所述航空发动机叶片损伤识别单元的损伤识别结果。

可选的，还包括：摄像头检测模块；

所述摄像头检测模块，与所述航空发动机叶片损伤识别单元连接；

所述摄像头检测模块，用于：

获取摄像头实时拍摄的叶片视频，对所述叶片视频进行分帧处理，得到若干叶片图像；

将若干所述叶片图像输入所述航空发动机叶片损伤识别单元，并输出所述航空发动机叶片损伤识别单元的损伤识别结果。

可选的，还包括：模型训练模块，所述模型训练模块用于采用以下训练方法对所述航空发动机叶片损伤识别模型进行训练；

所述训练方法包括：

获取若干叶片损伤图像，所述叶片损伤图像由孔探设备采集；

对所述叶片损伤图像中的叶片损伤信息进行标注，所述叶片损伤信息包括：损伤类型、损伤尺寸以及损伤位置；

采用上述的航空发动机叶片损伤识别模型对所述叶片损伤图像中的叶片损伤信息进行预测，得到叶片预测损伤信息，所述叶片预测损伤信息包括叶片损伤的预测类型、叶片损伤的预测尺寸以及叶片损伤的预测位置；

根据所述叶片预测损伤信息以及标注的叶片损伤信息计算损失函数值；

判断所述损失函数值是否满足预设要求，若否，根据所述损失函数值更新所述航空发动机叶片损伤识别模型各层网络中权重，并返回“采用上所述的航空发动机叶片损伤识别模型对所述叶片损伤图像中的叶片损伤信息进行预测”步骤，若是，则结束训练，得到训练好的航空发动机叶片损伤识别模型。

可选的，还包括：模型验证模块，所述模型验证模块用于对所述航空发动机叶片损伤识别模型进行验证。

可选的，所述损失函数值由叶片损伤位置坐标损失值、置信度损失值和叶片损伤类别损失值确定。

根据本发明提供的具体实施例，公开了以下技术效果：本发明基于YOLOv4模型进行了改进，构建了航空发动机叶片孔探损伤识别模型，航空发动机叶片孔探损伤识别模型将YOLOv4模型中的主干特征提取网络CSPDarknet53结构替换为VoVNetv2-39结构，VoVNetv2-39结构参数量更少、自上而下特征传递路径更短，提高了检测精度，本发明采用改进的YOLOv4模型，实现了叶片损伤的自动识别和定位，且能够在计算能力较差的终端设备适用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的航空发动机叶片损伤识别模型结构图；

图2为YOLOv4模型结构图；

图3为本发明提供的基于上述航空发动机叶片损伤识别模型的航空发动机叶片损伤识别系统结构示意图；

图4为本发明提供的航空发动机叶片损伤识别系统模型训练界面图；

图5为本发明提供的航空发动机叶片损伤识别系统模型验证界面图；

图6为本发明提供的航空发动机叶片损伤识别系统图片检测界面图；

图7为本发明提供的航空发动机叶片损伤识别系统视频检测界面图；

图8为本发明提供的航空发动机叶片损伤识别系统摄像头检测界面图；

图9为本发明提供的航空发动机叶片损伤识别模型和YOLOv4模型采用Pascal VOC2007数据集进行训练和测试的平均精度对比图；

图10为本发明提供的航空发动机叶片损伤识别模型采用叶片孔探图像数据集测试得到的叶片损伤结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种航空发动机叶片损伤识别模型、基于该航空发动机叶片损伤识别模型的叶片损伤识别方法及系统，所述航空发动机叶片损伤识别模型将YOLOv4模型中的主干特征提取网络CSPDarknet53结构替换为VoVNetv2-39结构，本发明基于改进的YOLOv4模型，实现了对航空发动机叶片损伤的自动识别和定位，减少人为差错，能够在计算能力较差的终端设备适用，保障航空发动机故障诊断技术进一步发展。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提供了一种航空发动机叶片损伤识别模型，所述模型结构如图1所示。所述模型包括：主干特征提取网络、加强特征提取网络和预测网络。

所述航空发动机叶片损伤识别模型基于图2所示的YOLOv4网络作出改进，将YOLOv4网络的主干特征提取网络CSPDarknet53替换成VoVNetv2-39，主干特征提取网络VoVNetv2-39用于提取叶片孔探图像的初步特征。所述加强特征提取网络包括SPP模块和PANet模块，与所述主干特征提取网络连接，用于融合所述若干所述初步特征，提取有效特征；所述预测网络，包括YOLO Head模块，与所述加强特征提取网络连接，用于利用所述有效特征获得所述叶片孔探图像中叶片的损伤信息，所述损伤信息包括损伤类型、损伤尺寸以及损伤位置。所述VoVNetv2-39网络包括stem模块和四个依次连接的OSA模块；第一OSA模块与所述stem模块连接，第二OSA模块输出的第一初步特征层经一次卷积块后输入所述PANet模块；第三OSA模块输出的第二初步特征层经一次卷积块后输入所述PANet模块；第四OSA模块输出的第三初步特征层经三次卷积块后输入所述SPP模块。改进的YOLOv4网络将每一张孔探图片划分为多个网格，在每个网格上生成先验框，通过先验框预测孔探图像中的叶片损伤类别、叶片损伤坐标与置信度，依据叶片损伤坐标数值计算叶片孔探图像损伤位置。

首先，将输入的叶片孔探图像大小统一转化为416×416，然后传入主干特征提取网络VoVNetv2-39中，所述VoVNetv2-39网络包括1×1与3×3卷积层，进行卷积、合并、加粗等操作。所述VoVNetv2-39网络进行初步特征提取，得到三个初步特征层，第一个初步特征层在经过OSA模块的第3个阶段与一次卷积块后传入PANet，第二个初步特征层在经过OSA模块的第4个阶段与一次卷积块后传入PANet，第三个初步特种层在经过OSA模块的第5个阶段与三次卷积块后传入空间池化金字塔SPP模块。所述SPP模块分别使用四个尺度(1×1，5×5，9×9，13×13)的池化核进行最大池化，再进行Concat操作。实例分割算法PANet的输入是三层初步特征层，对三层初步特征层反复提取，提升有效特征。预测网络YOLO Head输出大小分别为(13，13，24)、(26，26，24)、(52，52，24)，即YOLOv4的三个特征层分别将叶片孔探图像分为13×13、26×26、52×52的网格，每个网格左上角的点负责对该网格区域的检测，最后一维24可分解为3×(4+1+3)，第一个3代表每一个网格所对应的3种不同尺寸锚框，第二个3代表3类孔探图像分类结果，叶片损伤类型包括掉块(drop)、裂纹(crack)和腐蚀，4代表预测框中心与预测框长宽的调整参数，1为判断该叶片损伤类型的置信度。

本发明还提供了一种基于上述航空发动机叶片损伤识别模型的航空发动机叶片损伤识别方法，该方法包括：将叶片孔探图像输入训练好的上述的航空发动机叶片损伤识别模型，识别所述叶片孔探图像中叶片的损伤信息，所述损伤信息包括损伤类型、损伤尺寸以及损伤位置。

本发明还提供了一种基于上述航空发动机叶片损伤识别模型的航空发动机叶片损伤识别系统，参见图3，该系统包括：模型训练模块M1、模型验证模块M2、航空发动机叶片损伤识别单元M3、图片检测模块M4、视频检测模块M5和摄像头检测模块M6。

所述模型训练模块M1包括“参数设置”、“训练策略”和“修改类别”功能。所述“参数设置”用于进行冻结轮次、所有轮次、训练批次(batch_size)以及训练比例参数选择。所述“训练策略”用于对叶片孔探图像进行马赛克数据增强、学习率余弦退火衰减和平滑标签操作。所述“修改类别”用于修改叶片孔探图像的叶片损伤类型，并生成叶片孔探图像对应的标签。

所述模型验证模块M2包括“曲线绘制”功能。所述“曲线绘制”用于绘制训练好的航空发动机叶片损伤识别模型精确度曲线，并查看所述训练好的航空发动机叶片损伤识别模型精确度。

所述航空发动机叶片损伤识别单元M3用于将叶片孔探图像输入上述的训练好的航空发动机叶片损伤识别模型，识别所述叶片孔探图像中叶片的损伤信息，所述损伤信息包括损伤类型、损伤尺寸以及损伤位置。

所述图片检测模块M4，用于获取叶片孔探图像，将叶片孔探图像输入所述航空发动机叶片损伤识别单元M3，并显示所述航空发动机叶片损伤识别单元的损伤识别结果。

所述视频检测模块M5，用于获取叶片孔探视频，对所述叶片孔探视频进行分帧处理，得到若干叶片孔探图像，将叶片孔探图像输入所述航空发动机叶片损伤识别单元M3，并显示所述航空发动机叶片损伤识别单元的损伤识别结果。

所述摄像头检测模块M6，用于获取摄像头实时拍摄的叶片视频，对所述叶片视频进行分帧处理，得到若干叶片图像，将叶片孔探图像输入所述航空发动机叶片损伤识别单元M3，并显示所述航空发动机叶片损伤识别单元的损伤识别结果。

所述模型训练模块，用于采用以下训练方法对所述航空发动机叶片损伤识别模型进行训练，训练方法具体包括：

步骤S1：获取若干叶片损伤图像，所述叶片损伤图像由孔探设备采集。

在本实施例中，搜集以往航空公司或研究所用孔探设备拍摄的各类航空发动机叶片损伤图片或视频。将叶片损伤视频拆解为图片，选择带有损伤的图片加入航空发动机叶片损伤数据集。为了提高模型的泛化能力，将叶片损伤图像输入所述航空发动机叶片损伤识别模型之前，还需要对叶片损伤图像进行图像数据增强操作，所述图像数据增强操作包括裁剪、翻转、旋转、缩放、平移、噪声等，通过裁剪和缩放统一图像尺寸；采用水平或垂直翻转、随机旋转、平移变换拓展叶片损伤数据集；加入适量高斯噪声增强模型学习能力。

步骤S2：对所述叶片损伤图像中的叶片损伤信息进行标注，所述叶片损伤信息包括：损伤类型、损伤尺寸以及损伤位置。

在本实施中，使用数据标记软件labelimg对图像数据增强后的图片进行种类标注，包括标记出目标在图片中的具体位置(x

步骤S3：采用上述的航空发动机叶片损伤识别模型对所述叶片损伤图像中的叶片损伤信息进行预测，得到叶片预测损伤信息，所述叶片预测损伤信息包括叶片损伤的预测类型、叶片损伤的预测尺寸以及叶片损伤的预测位置。

步骤S4：根据所述叶片预测损伤信息以及标注的叶片损伤信息计算损失函数值；判断所述损失函数值是否满足预设要求，若否，根据所述损失函数值更新所述航空发动机叶片损伤识别模型各层网络中权重，并返回“采用上所述的航空发动机叶片损伤识别模型对所述叶片损伤图像中的叶片损伤信息进行预测”步骤，若是，则结束训练，得到训练好的航空发动机叶片损伤识别模型。

所述损失函数值由叶片损伤位置坐标损失值loss

loss＝loss

其中，s

其中，

其中，

如图4所示，根据图片目录及其对应框图目录、参数设置、训练策略选取、主干特征提取网络更换与训练文件生成，训练改进的YOLOv4网络模型，输出训练损失函数值。所述模型训练模块中的参数设置是对“冻结轮次”、“所有轮次”、“训练批次(batch_size)”以及“训练比例”进行参数选择。

上述训练的具体操作如下：

步骤1：打开系统模型训练界面。

步骤1.1：点击“打开图片目录”按钮，将参与训练的图片存放进打开的目录下；点击“打开框图目录”按钮，将参与训练的每一张图片对应的标注文件存放进打开的目录下。

步骤1.2：在“参数设置”栏中进行“冻结轮次”、“所有轮次”、“训练批次(batch_size)”及“训练比例”的参数选择。在图5的参数设置中，训练总轮次为50，前25轮次处于冻结阶段，后25轮次处于解冻阶段；冻结阶段，batch_size设置为8；解冻阶段，batch_size设置小一些，4或2都可；训练集90％的数据参与训练，10％的数据参与验证。“冻结轮次”、“所有轮次”涉及的冻结训练：将所述发动机叶片损伤识别模型主干特征提取部分(backbone)冻结起来训练可以加快训练效率，也可以防止权值被破坏。冻结阶段，特征提取网络不发生改变，占用显存较小，仅对网络进行微调；解冻阶段，特征提取网络发生改变，占用显存较大，网络所有参数均受影响。

训练批次(batch_size)表示将数据集拆分成一定数量的批次后每一批次大小，一般为2的整数倍，如2、4、8、16等，数值越大对GPU显存容量要求越高，其极限值为训练集样本总数。数据量较少时，batch_size可设置为全数据集；数据量较多时，一般采用小批量数据处理原则，这样做能够以更少的内存、更快的速度、更精确的学习率训练网络。

训练比例表示将训练数据集划分为两部分，一部分用于训练，一部分用于验证，每一轮均返回训练损失值，实时反映训练效果好坏。

步骤1.3：在“训练策略”栏中进行“马赛克数据增强”、“学习率余弦退火衰减”及“平滑标签”技巧的勾选。

马赛克数据增强是利用四张图片，对每张图片进行裁剪拼接，从而形成全新的带标注图像数据，在训练模型时丰富了检测物体的背景，且在批归一化时一次计算四张图片的数据。

余弦退火衰减考虑到训练时使用梯度下降优化目标函数，当越来越接近loss值的全局最小值时，学习率应该变得更小使模型尽可能接近这一点，于是按照退火优化法的思想，使学习率先上升再下降，上升的时候使用正比例函数上升，下降的时候模拟余弦函数下降，反复执行上述操作，可有效避免梯度下降时陷入局部最低值，从而“跳出”局部最优解而去寻找全局最优解。

标签平滑考虑到训练样本中通常会存在少量的错误标签，这些错误标签会影响训练效果。在训练时即假设标签可能存在错误，避免“过分”相信训练样本标签，例如在一个二分类问题中，原始标签为0和1，通过标签平滑后变为0.005和0.995，惩罚了分类的准确性，一定程度上避免过拟合。在几乎所有训练中，使用标签平滑可以产生好的校准网络，从而更好去泛化网络，最终对不可见数据产生更准确的预测。

步骤1.4：点击“生成训练文件”栏中“修改类别”按钮，进行类别修改并保存，再点击“生成标签”按钮，弹出“提取数据格式成功”与“成功生成标签”两个提示框。该步主要是利用Python脚本voc2yolo4将xml文件格式转换为txt文件格式。选择不同的数据集对应修改不同的类别，注意修改的类别与训练集中标注文件标注的类别相一致。

至此，经过上述步骤1，对航空发动机叶片损伤识别模型进行训练，得到训练好的航空发动机叶片损伤识别模型。

所述模型验证模块用于对上述得到的训练好的航空发动机叶片损伤识别模型进行验证。

孔探图像中叶片损伤类别识别可归为多分类问题，每一类的准确率指标为平均精度(Average Precision，AP)，评判模型性能(精度、速度)的标准一般为所有类别的平均精度(mAP)与平均每秒检测的图片数量(FPS)，因此所述模型验证模块中绘制的模型精确度曲线即为mAP曲线，计算公式如下：

其中P为精确率(Precision)；R为召回率(Recall)；对于每一类，可以规定一个置信度阈值(通常为0.5)来判断是否是正例(Positive)，T

步骤2：打开系统模型验证界面，模型验证界面如图5所示。

步骤2.1：点击“曲线绘制”栏中“读取模型”按钮，选择打开目录下训练好的航空发动机叶片损伤识别模型(.pth文件)，再点击“绘制曲线”按钮进行曲线绘制。

步骤2.2：点击“曲线/图像选择”栏中不同的单选按钮，以如图5中的5种不同的方式查看网络精确度。

航空发动机叶片损伤识别单元，用于执行上述的航空发动机叶片损伤识别方法。

所述航空发动机叶片损伤识别系统还包括图片检测模块、视频检测模块和摄像头检测模块，这三个模块都与航空发动机叶片损伤识别单元连接，三个模块的具体操作步骤如下：

步骤3：打开系统图片检测界面，如图6所示。

步骤3.1：在“图片检测”一栏中，点击“读取模型”按钮，选择打开目录下训练好的航空发动机叶片损伤识别模型(.pth文件)；再点击“需要预测的图片”按钮，将参与预测的图片存放进打开的目录下；最后点击“开始预测图片”按钮进行预测，预测成功会弹出“图片预测完成”提示框。

步骤3.2：点击“←上一张”“下一张→”按钮可切换查看预测后的所有图片，“图片总数”显示参与预测的图片数量，“图片序号”显示当前图片在所有参与预测的图片中的排序。

步骤3.3：点击“保存当前图片”按钮保存当前显示的预测后图片；点击“打开保存地址”按钮打开保存图片的目录。

步骤4：打开系统视频检测界面，如图7所示。

步骤4.1：在“视频检测”一栏中，点击“读取模型”按钮，选择打开目录下训练好的航空发动机叶片损伤识别模型(.pth文件)；再点击“读取视频”按钮，将参与检测的视频存放进打开的目录下，并选中其中一个打开；最后点击“视频检测”按钮进行预测，视频会即时显示在当前界面中，实时反映检测情况，视频左上方有“FPS＝13.54”，表示画面每秒传输帧数是13.54，FPS受电脑显卡性能高低等其他各种因素影响。进行视频帧采样。分解成图片进行检测。

FPS计算公式如下：

其中，t

步骤4.2：点击“暂停”按钮，暂停检测；点击“停止”按钮或“Esc”快捷键，停止检测；点击“截图”按钮或“F12”快捷键，进行截图。

步骤4.3：点击“分辨率调整”栏中不同的单选按钮，以“16:9”、“5:4”以及“4:3”3种不同的分辨率查看视频检测过程。

步骤4.4：点击“打开视频记录”按钮，在打开的目录中可以查看视频记录(.txt文件)，即检测出裂纹(crack)与掉块(drop)两种损伤类别的时间节点记录，如图9所示(文件以“年-月-日-时_分_秒”命名，便于查找)；点击“打开截图目录”，查看刚才保存的截图。

步骤5：打开系统摄像头检测界面，如图8所示。

步骤5.1：在“摄像头检测”一栏中，点击“读取模型”按钮，选择打开目录下训练好的航空发动机叶片损伤识别模型(.pth文件)；再点击“摄像头检测”按钮调取检测设备摄像头进行实时检测，当摄像头检测过程中检测到目标物体时，如航空发动机叶片的裂纹或掉块损伤，系统会发出蜂鸣声自动报警以引起注意，为防止重复多次发出蜂鸣声，设定平均每秒至多只发出一次报警声。

步骤5.2：点击“截图”按钮或“F12”快捷键，进行截图；点击“停止”按钮或“Esc”快捷键，停止检测。

步骤5.3：点击“分辨率调整”栏中不同的单选按钮，以“16:9”、“5:4”以及“4:3”3种不同的分辨率查看摄像头检测过程。

步骤5.4：点击“打开截图目录”按钮，可查看刚才保存的截图。

下面将YOLOv4网络模型与本发明的航空发动机叶片损伤识别模型进行性能比较：

1、采用Pascal VOC 2007数据集对YOLOv4网络模型与本发明的航空发动机叶片损伤识别模型进行训练验证与测试：

首先采用Pascal VOC 2007数据集进行训练验证与测试。通过Python 3.6语言编程，使用Pytorch-1.2.0作为深度学习框架，在硬件NIVIDA 2080TI上实现本发明航空发动机叶片损伤识别模型的训练。设置模型训练总轮次为100，前50轮学习率为0.001，batch_size为8；后50轮学习率为0.0001，batch_size为4。预设值的先验框一共九个，分别为[12,16]，[19,36]，[40,28]，[36,75]，[76,55]，[72,146]，[142,110]，[192,243]，[459,401]。

将上述训练集分别导入到YOLOv4网络模型与航空发动机叶片损伤识别模型中训练。两个网络模型的参数量与训练模型大小如表1所示：

表1

训练完成后，进行测试，得到两个网络在Pascal VOC 2007数据集上不同种类的平均精度对比图，如图9所示。两个网络在不同种类上的检测平均精度相近，YOLOv4模型的mAP值为77.41％，相同条件下，本发明的航空发动机叶片损伤识别模型的mAP值为77.97％，比YOLOv4网络高。

两个模型的推理速度如下表2所示：

表2

航空发动机叶片损伤识别模型平均每张图片的推理时间相比YOLOv4网络减少了19.5％，每秒检测的图片数量相比YOLOv4网络增加26.2％，在推理速度上得到了提升。这是因为本发明的VoVNetv2-39网络相比CSPDarknet53网络拥有更少的参数量，自上而下特征传递的路径更短，特征传递更快。

2、采用上述得到叶片孔探图像数据集对YOLOv4网络模型与本发明的航空发动机叶片损伤识别模型进行训练验证与测试：

孔探图像数据集的总样本量为4713，其中训练集样本量为4242，验证集样本量为471，设置模型训练总轮次为40，前10轮学习率为0.001，batch_size为8；后30轮学习率为0.0001，batch_size为4。

将上述训练集分别导入到YOLOv4网络与本发明的航空发动机叶片损伤识别模型中训练。

训练完成后，进行测试，测试结果如下表3所示，得到的叶片损伤结果图如图10所示。

表3

航空发动机叶片损伤识别模型与YOLOv4相比，mAP略有提高，平均每张图片推理时间减少19.1％，FPS提高23.7％。这表明，本发明航空发动机叶片损伤识别模型能够在保证精确度的情况下，提高推理速度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。