本發(fā)明涉及航空發(fā)動(dòng)機(jī)表面缺陷檢測(cè)領(lǐng)域，尤其是涉及一種航空發(fā)動(dòng)機(jī)表面缺陷檢測(cè)方法和電子設(shè)備。

背景技術(shù)：

1、隨著航空工業(yè)的快速發(fā)展，飛機(jī)表面缺陷檢測(cè)成為保障飛行安全的重要環(huán)節(jié)。傳統(tǒng)的航空發(fā)動(dòng)機(jī)表面檢測(cè)方法主要依賴人工檢測(cè)和一些傳統(tǒng)的無(wú)損檢測(cè)技術(shù)，如孔探檢測(cè)、渦流檢測(cè)和超聲波檢測(cè)等。這些方法雖然在一定程度上能夠檢測(cè)出缺陷，但存在效率低、成本高、易受人為因素影響等問題。

2、近年來，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)迅速發(fā)展，并在缺陷檢測(cè)領(lǐng)域得到了廣泛應(yīng)用。目前，針對(duì)航空發(fā)動(dòng)機(jī)表面缺陷檢測(cè)的現(xiàn)有技術(shù)方案主要包括以下幾種：

3、基于傳統(tǒng)圖像處理的檢測(cè)方法：這些方法通常通過圖像預(yù)處理、特征提取和分類器等步驟來實(shí)現(xiàn)缺陷檢測(cè)。雖然這些方法在某些應(yīng)用中取得了一定效果，但在面對(duì)復(fù)雜背景和多樣化缺陷時(shí)，檢測(cè)精度和魯棒性較差，同時(shí)需要的計(jì)算資源較大。

4、基于深度學(xué)習(xí)的檢測(cè)方法：如faster?r-cnn、ssd和yolo系列算法。這些方法通過卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取圖像特征，并進(jìn)行目標(biāo)檢測(cè)。yolov5作為一種高效的目標(biāo)檢測(cè)算法，因其檢測(cè)速度快、精度高而受到廣泛關(guān)注,原始的yolov5結(jié)果如圖1，其在小缺陷目標(biāo)和復(fù)雜背景下的缺陷檢測(cè)時(shí)，仍存在一定的局限性。

5、經(jīng)過檢索，中國(guó)發(fā)明專利公開號(hào)cn111833328b公開了一種基于深度學(xué)習(xí)的飛機(jī)發(fā)動(dòng)機(jī)葉片表面缺陷檢測(cè)方法，包括：采集飛機(jī)發(fā)動(dòng)機(jī)葉片圖像，手工標(biāo)注包含表面缺陷的圖像，構(gòu)建表面缺陷圖像數(shù)據(jù)集；對(duì)表面缺陷圖像數(shù)據(jù)集進(jìn)行預(yù)處理；構(gòu)建用于檢測(cè)缺陷標(biāo)簽與缺陷類別的深度卷積缺陷檢測(cè)網(wǎng)絡(luò)，采用預(yù)處理后的表面缺陷圖像數(shù)據(jù)集對(duì)深度卷積缺陷檢測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；其中，所述深度卷積缺陷檢測(cè)網(wǎng)絡(luò)采用并行的resnet網(wǎng)絡(luò)和densenet網(wǎng)絡(luò)同時(shí)對(duì)輸入的葉片圖像進(jìn)行特征提取，將提取得到的兩個(gè)特征在對(duì)應(yīng)位置上疊加進(jìn)行特征融合，再結(jié)合融合后的特征進(jìn)行缺陷分類；將待檢測(cè)圖像導(dǎo)入訓(xùn)練好的深度卷積模型中，輸出缺陷標(biāo)簽與缺陷類別。該現(xiàn)有專利存在檢測(cè)精度和效率不高的問題。

6、如何實(shí)現(xiàn)航空發(fā)動(dòng)機(jī)表面缺陷的檢測(cè)精度和效率，成為需要解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種航空發(fā)動(dòng)機(jī)表面缺陷檢測(cè)方法和電子設(shè)備。

2、本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：

3、根據(jù)本發(fā)明的一個(gè)方面，提供了一種航空發(fā)動(dòng)機(jī)表面缺陷檢測(cè)方法，所述方法包括以下步驟：

4、步驟s1，獲取航空發(fā)動(dòng)機(jī)表面圖像；

5、步驟s2，將標(biāo)注好的表面缺陷數(shù)據(jù)集放入mbe-yolov5表面缺陷檢測(cè)模型進(jìn)行訓(xùn)練，

6、步驟s3，將待檢測(cè)的航空發(fā)動(dòng)機(jī)表面圖像輸入訓(xùn)練好的mbe-yolov5表面缺陷檢測(cè)模型，輸出航空發(fā)動(dòng)機(jī)表面缺陷檢測(cè)結(jié)果；

7、所述mbe-yolov5表面缺陷檢測(cè)模型是對(duì)yolov5模型的改進(jìn)，所述mbe-yolov5表面缺陷檢測(cè)模型以mobilenetv3?large作為主干網(wǎng)絡(luò)，頸部?jī)?yōu)化為bifpn，并在檢測(cè)頭前加入eca注意力機(jī)制。

8、優(yōu)選地，所述mbe-yolov5表面缺陷檢測(cè)模型的主干網(wǎng)絡(luò)包括cbs模塊、mobilenetv3網(wǎng)絡(luò)模塊和sppf模塊；

9、所述主干網(wǎng)絡(luò)首先對(duì)輸入特征圖進(jìn)行1×1的卷積操作用來調(diào)整特征圖的維度，然后特征圖經(jīng)過一系列的倒殘差結(jié)構(gòu)，最后通過sppf模塊處理特征圖，輸出不同尺度的特征圖給頸部。

10、更加優(yōu)選地，所述主干網(wǎng)絡(luò)的第4層mobilenetv3和第6層mobilenetv3分別與頸部第12層bifpn和第16層bifpn進(jìn)行拼接，分別得到第一特征圖和第二特征圖，第6層mobilenetv3再與第14層做拼接生成第三特征圖，輸出給檢測(cè)頭部。

11、優(yōu)選地，所述的mbe-yolov5表面缺陷檢測(cè)模型的頸部使用bifpn結(jié)構(gòu)，對(duì)不同尺度的特征圖進(jìn)行雙向信息融合，每個(gè)尺度的特征融合過程中使用了加權(quán)特征融合機(jī)制。

12、更加優(yōu)選地，所述的方法包括：訓(xùn)練mbe-yolov5表面缺陷檢測(cè)模型前，使用k-means聚類算法，根據(jù)遺傳算法獲取適配于所述表面缺陷數(shù)據(jù)集的優(yōu)化錨點(diǎn)，放入檢測(cè)模型中進(jìn)行訓(xùn)練。

13、更加優(yōu)選地，所述根據(jù)遺傳算法獲取適配于所述表面缺陷數(shù)據(jù)集的優(yōu)化錨點(diǎn)的過程包括：

14、步驟s3-1，讀取訓(xùn)練集中每張圖片的寬度和高度，以及所有邊界框的寬度和高度；

15、步驟s3-2，將每張圖片的最大寬度和高度等比例縮放到指定大??；

16、步驟s3-3，將邊界框從相對(duì)坐標(biāo)轉(zhuǎn)換為絕對(duì)坐標(biāo)；

17、步驟s3-4，篩選邊界框，保留寬度和高度都大于等于兩個(gè)像素的邊界框；

18、步驟s3-5，使用k-means聚類算法得到k個(gè)錨點(diǎn)；

19、步驟s3-6，使用遺傳算法隨機(jī)對(duì)錨點(diǎn)的寬度和高度進(jìn)行變異，如果變異后效果變得更好，就將變異后的結(jié)果賦值給錨點(diǎn)；如果變異后效果變差，則跳過；

20、步驟s3-7，將最終變異得到的錨點(diǎn)按面積進(jìn)行排序并返回。

21、優(yōu)選地，所述的方法包括：對(duì)所述航空發(fā)動(dòng)機(jī)表面圖像進(jìn)行預(yù)處理得到表面缺陷圖像，所述預(yù)處理包括通過反轉(zhuǎn)、平移、亮度變化、增強(qiáng)噪聲進(jìn)行數(shù)據(jù)增強(qiáng)，來增加數(shù)據(jù)樣本數(shù)量。

22、更加優(yōu)選地，所述的方法還包括：對(duì)表面缺陷圖像中的缺陷進(jìn)行標(biāo)注得到標(biāo)注文件，所述表面缺陷圖像以及對(duì)應(yīng)的標(biāo)注文件構(gòu)成表面缺陷數(shù)據(jù)集。

23、更加優(yōu)選地，對(duì)所述表面缺陷圖像中的缺陷進(jìn)行標(biāo)注，形成每一張圖的標(biāo)注文件，標(biāo)注文件中的數(shù)據(jù)格式按照yolo格式設(shè)置；

24、所述標(biāo)注文件包括缺陷類別信息以及缺陷位置信息。

25、根據(jù)本發(fā)明的另一個(gè)方面，提供了一種電子設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器上存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)所述的方法。

26、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

27、1)本發(fā)明對(duì)原始yolov5的網(wǎng)絡(luò)結(jié)構(gòu)做了優(yōu)化，針對(duì)航空發(fā)動(dòng)機(jī)表面圖像的背景復(fù)雜多樣化和輕量化的處理需求，將原有的主干網(wǎng)絡(luò)替換為mobilenetv3large，旨在利用mobilenetv3的高效性和輕量化特性，適合在移動(dòng)端部署，以減少計(jì)算開銷并加快檢測(cè)速度，同時(shí)保持良好的性能；針對(duì)航空發(fā)動(dòng)機(jī)表面缺陷的多樣性和細(xì)微性，在頸部添加了bifpn，可以更有效地融合多尺度特征，提高模型對(duì)不同尺寸目標(biāo)的檢測(cè)精度，從而提升整體檢測(cè)性能；針對(duì)航空發(fā)動(dòng)機(jī)表面的環(huán)境干擾，在檢測(cè)頭部增加eca注意力機(jī)制，增強(qiáng)對(duì)于特定特征的關(guān)注，提升模型整體精度；從而本發(fā)明可以針對(duì)不同尺寸的目標(biāo)提供更精確的檢測(cè)，提高模型對(duì)小目標(biāo)和大目標(biāo)的檢測(cè)精度和效率。

28、2)本發(fā)明通過yolov5的網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，bifpn通過雙向的特征融合機(jī)制和加權(quán)特征融合策略，其中加權(quán)融合方式采用快速歸一化融合，使得網(wǎng)絡(luò)訓(xùn)練速度很快，mobilenetv3的設(shè)計(jì)原理結(jié)合深度可分離卷積和硬件友好的優(yōu)化，使其在保持高性能的同時(shí)顯著降低了計(jì)算開銷，提高了檢測(cè)效率。

29、3)本發(fā)明的eca注意力機(jī)制可以增強(qiáng)模型對(duì)關(guān)鍵特征區(qū)域的關(guān)注度，涉及的參數(shù)和計(jì)算更少，提高對(duì)微小缺陷的檢測(cè)精度和效率，尤其是在存在環(huán)境干擾的情況下。

30、4)本發(fā)明檢測(cè)網(wǎng)絡(luò)的輕量化更易于部署在資源受限的設(shè)備和平臺(tái)上，使得模型在實(shí)際應(yīng)用中具有更高的性能和更廣泛的適用性。

31、5)本發(fā)明通過替換初始目標(biāo)框損失函數(shù)iou為giou，模型能夠更好地針對(duì)數(shù)據(jù)集調(diào)整預(yù)測(cè)框，使其更接近真實(shí)框，提高模型的收斂速度和檢測(cè)精度；通過nms非極大值抑制去除冗余的檢測(cè)框，保留最終的檢測(cè)結(jié)果，減少誤檢和漏檢。