基于迁移学习的飞机线束模板图纸识别模型研究.pdf

D O I:1 0.3 9 6 9/j.i s s n.1 0 0 3-0 9 7 2.2 0 2 4.0 2.0 1 7 文章编号:1 0 0 3-0 9 7 2(2 0 2 4)0 2-0 2 4 0-0 6基于迁移学习的飞机线束模板图纸识别模型研究周文举1,朱一丁1*,杨庆华1,朱 喜2,王长法1,2(1.上海大学 机电工程与自动化学院,上海 2 0 0 4 4 4;2.中国商飞上海飞机设计研究院,上海 2 0 1 2 1 0)摘 要:针对航空电气线路互联系统(EW I S)线束模板图纸在更改时的识别与分类问题,设计了一种基于迁移学习的飞机线束模板图纸内容分类方法。由现有的线束模板图纸建立线束模板图纸元素数据集,选定VG G-1 6网络作为基础网络进行改进,优化模型结构与参数。为了解决数据集规模较小并提高模型的识别精度及训练效率的问题,将大规模数据集训练的预训练模型迁移至线束模板图纸元素数据集进行训练,并比较不同迁移学习方式及不同网络结构对模型性能的影响。试验结果表明,微调迁移学习模型具有较高的分类准确度,达到了9 8.8 9%。与其他网络相比,该微调迁移学习模型具有更短的训练时长以及更高的识别准确率,具有较好的应用前景。关键词:航空电气线路互联系统(EW I S);线束模板图纸;卷积神经网络;V G G-1 6网络;迁移学习中图分类号:T P 3 9 1.4;V 2 4 2 文献标识码:A开放科学(资源服务)标识码(O S I D):R e s e a r c h o n R e c o g n i t i o n M o d e l o f A i r c r a f t W i r i n g H a r n e s s T e m p l a t e D r a w i n g s B a s e d o n T r a n s f e r L e a r n i n gZ H O U W e n j u1,Z H U Y i d i n g1*,Y A N G Q i n g h u a1,Z H U X i 2,WA N G C h a n g f a1,2(1.S c h o o l o f M e c h a t r o n i c E n g i n e e r i n g a n d A u t o m a t i o n,S h a n g h a i U n i v e r s i t y,S h a n g h a i 2 0 0 4 4 4,C h i n a;2.S h a n g h a i A i r c r a f t D e s i g n a n d R e s e a r c h I n s t i t u t e,C OMA C,S h a n g h a i 2 0 1 2 1 0,C h i n a)A b s t r a c t:A t r a n s f e r l e a r n i n g-b a s e d c l a s s i f i c a t i o n m e t h o d f o r a i r c r a f t h a r n e s s t e m p l a t e d r a w i n g c o n t e n t w a s d e s i g n e d f o r t h e r e c o g n i t i o n a n d c l a s s i f i c a t i o n o f E l e c t r i c a l W i r i n g I n t e r c o n n e c t i o n S y s t e m s(EW I S)h a r n e s s t e m p l a t e d r a w i n g s d u r i n g c h a n g e r e v i e w.T h e h a r n e s s t e m p l a t e d r a w i n g e l e m e n t d a t a s e t w a s e s t a b l i s h e d f r o m t h e e x i s t i n g h a r n e s s t e m p l a t e d r a w i n g s,t h e V G G-1 6 n e t w o r k w a s s e l e c t e d a s t h e b a s i c n e t w o r k t o o p t i m i z e t h e m o d e l s t r u c t u r e a n d p a r a m e t e r s.T o s o l v e t h e p r o b l e m o f s m a l l d a t a s e t s i z e a n d t o i m p r o v e t h e r e c o g n i t i o n a c c u r a c y a n d t r a i n i n g e f f i c i e n c y o f t h e m o d e l,t h e p r e-t r a i n e d m o d e l t r a i n e d i n t h e l a r g e-s c a l e d a t a s e t w a s m i g r a t e d t o t h e h a r n e s s t e m p l a t e d r a w i n g e l e m e n t d a t a s e t f o r t r a i n i n g,a n d t h e e f f e c t s o f d i f f e r e n t m i g r a t i o n l e a r n i n g m e t h o d s a n d d i f f e r e n t n e t w o r k s t r u c t u r e s o n t h e m o d e l p e r f o r m a n c e w e r e c o m p a r e d.T h e e x p e r i m e n t a l r e s u l t s s h o w e d t h a t t h e f i n e-t u n i n g t r a n s f e r l e a r n i n g m o d e l h a d a h i g h c l a s s i f i c a t i o n a c c u r a c y o f 9 8.8 9%.M o r e o v e r,c o m p a r e d w i t h o t h e r n e t w o r k s,t h e f i n e-t u n i n g t r a n s f e r l e a r n i n g m o d e l h a d a s h o r t e r t r a i n i n g t i m e a n d h i g h e r r e c o g n i t i o n a c c u r a c y,w h i c h h a s b e t t e r a p p l i c a t i o n p r o s p e c t s.K e y w o r d s:E l e c t r i c a l W i r i n g I n t e r c o n n e c t i o n S y s t e m s(EW I S);a i r c r a f t w i r i n g h a r n e s s d r a w i n g s;c o n v o l u t i o n a l n e u r a l n e t w o r k;V G G-1 6 n e t w o r k;t r a n s f e r l e a r n i n g0 引言航空 电 气 线 路 互 联 系 统(E l e c t r i c a l W i r i n g I n t e r c o n n e c t i o n S y s t e m s,EW I S)指安装在飞机上任何区域,在两个或多个端接点之间传输电能(包含数据和信号)的各种导线电缆、端接器件、支撑器 收稿日期:2 0 2 3-0 3-1 5;修回日期:2 0 2 3-1 1-2 1;*.通信联系人,E-m a i l:z h o u w e n j u s h u.e d u.c n;y i d i n g 0 7 0 3 f o x m a i l.c o m 基金项目:国家自然科学基金项目(6 2 0 0 5 1 5 5);上海市科技攻关“揭榜挂帅”项目(Y D Z X 2 0 2 2 3 1 0 0 0 0 4 0 0 8)作者简介:周文举(1 9 6 8),男,山东烟台人,教授,博士生导师,主要从事机器视觉、人工智能、先进测控技术等方向的研究。引用格式:周文举,朱一丁,杨庆华,等.基于迁移学习的飞机线束模板图纸识别模型研究J.信阳师范学院学报(自然科学版),2 0 2 4,3 7(2):2 4 0-2 4 5.Z HOU W e n j u,Z HU Y i d i n g,YANG Q i n g h u a,e t a l.R e s e a r c h o n R e c o g n i t i o n M o d e l o f A i r c r a f t W i r i n g H a r n e s s T e m p l a t e D r a w i n g s B a s e d o n T r a n s f e r L e a r n i n gJ.J o u r n a l o f X i n y a n g N o r m a l U n i v e r s i t y(N a t u r a l S c i e n c e E d i t i o n),2 0 2 4,3 7(2):2 4 0-2 4 5.042信阳师范学院学报(自然科学版)J o u r n a l o f X i n y a n g N o r m a l U n i v e r s i t y第3 7卷 第2期 2 0 2 4年4月 N a t u r a l S c i e n c e E d i t i o n V o l.3 7 N o.2 A p r.2 0 2 4件的组合1,EW I S的设计与布置会直接影响到飞机的经济性、可靠性和安全性。目前EW I S设计手段已经进入数字化全三维设计阶段,但为了将产品几何形状和尺寸能够正确传递到制造过程中,仍需使用二维生产图纸,即:首先在计算机上建立三维实体设计模型,再由三维模型投影成所需角度的二维图纸,即线束模板图纸2。EW I S设计处于整个飞机设计流程的末端,在系统设计冻结飞机的气动外形、机体结构等之后,当上游系统提出工程更改指令后,EW I S产品设计也要随之进行适应更改。在工程更改指令提出后,为了保证图纸的延续性和飞机实际安装状态的一致性,更改差异描述文档是提交更改不可或缺的需求。更改差异描述文档中的线束模板图纸是生产制造过程中的重要依据,其内容包括线束分支、线束保护材料、线束交点、连接器及尾附件、剪切线、线束号标识、卡箍标识、接线端子、永久接头、区域环境边界等生产制造所需信息。因此,在更改差异描述文档中,应标明模板线束图纸更改类型、图面位置、具体内容等信息。在线束模板图纸差异化对比工作流程中,对更改内容的分类识别是整个工程的难点。传统基于图像特征识别的方法对于线束模板图纸中复杂繁多的组件不能起到很好的效果。在现有的研究工作中,工程图纸识别的方法包括细化算法、径向基概率神经网络和卷积神经网络等。D E等3提出一种工 程 制 图 图 形 识 别 和 分 类 方 法。E L YAN等4提出了一种基于启发式的半自动方法来识别和定位图纸中的符号。翟传敏等5采用径向基概率神经网络对从工程图纸图像中分割出的图形符号进行了识别。徐剑等6采用F a s t e r R C NN网络设计了一种电网工程图纸图元识别方法。周超等7提出了一种基于轮廓检测的轴类零件图特征识别与匹配方法。王贝贝8设计了一种基于视觉内容的工程图纸检索系统。刘立等9设计了一种基于卷积神经网络的工程图纸类文档识别分类方法。卷积神经网络是一种深度学习模型,具有优秀的特征提取能力。它可以自适应地提取图像特征,同时对图像的平移、缩放和扭曲等变形具有良好的适应性。然而训练卷积神经网络通常需要大量的样本数据,而对于线束模板图纸元素而言,存在相似性高,种类多,但数据量较小,使用常规的卷积神经网络进行训练可能存在过拟合和泛化能力较差的问题。而迁移学习可利用预先训练好的神经网络模型,通过微调参数来更好地适应目标任务1 0。因此,本文基于VG G-1 6网络模型,使用迁移学习的方法,构建1 0种线束模板图纸元素的分类识别模型,以期对线束模板组件元素特征的学习和训练,形成线束模板图纸元素分类器,对线束模板图纸更改内容进行识别。1 实验数据1.1 EW I S线束模板图纸数据集本实验的数据集是由现有机型部分图纸元素截取而来。图像数据包括1 3 9 2张图像样本,包含连接器及尾附件2 2 1张、线束保护材料1 8 3张、字符标识1 6 8张、接线端子1 2 0张、线束交点1 3 1张、卡箍标识1 4 8张、线束分支1 9 8张、剪切线1 0 9张、在线永久接头1 1 4张、环境分界标识1 0 2张,共1 0种分类,如图1所示。图1 EW I S线束模板图纸示例F i g.1 E x a m p l e o f EW I S h a r n e s s d r a w i n g1.2 数据集划分及增强首先,从 采 集 的 线 束 模 板 图 纸 中 随 机 选 取8 0%作为训练集,剩下2 0%作为测试集。随后,对训练集图像按9 0 为倍数进行旋转,并进行上下及左右翻转变换,将训练集扩充到6 6 8 1张。最后,将图像尺寸统一调整至2 2 42 2 4像素。利用以上数据增强方法,可以通过P y t h o n程序批量生成图像数据来满足训练模型所需的数量。扩充后的数据集还可以降低过拟合的影响,从而提高卷积神经网络模型的预测准确率。2 线束组件元素识别模型构建2.1 卷积神经网络模型卷积神经网络是一种模仿生物视觉感知机制,包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络的基本结构包括卷积层、池化层、全连接层。卷积神经网络训练过程采用反向传播算法,先将输入数据送入网络,计算输出与误差,再反向传播误差计算每个参数的梯度,优化算法利用梯142周文举,朱一丁,杨庆华,等.基于迁移学习的飞机线束模板图纸识别模型研究度更新参数,使网络输出更接近标签。在卷积神经网络中,卷积层的作用是提取图像的特征,每层卷积层由若干卷积单元组成,输入图像与卷积核进行卷积运算,输出为特征向量。每个卷积单元的参数通过反向传播算法优化而得。卷积层计算公式为yli,j=Hm=0Wn=0 xli+m,j+n,(1)式中:xli+m,j+n为卷积层的输入张量,为维度HW的卷积核,yli,j为卷积层l的输出张量,i、j为张量的坐标值,m、n为卷积核的坐标值。池化层主要作用为降低特征图的空间尺寸,也可被称为非线性下采样操作层。经过池化层处理后的特征图的尺度会一定程度上减小,同时还能提高模型对图像发生位移、旋转等变换的泛化能力。最常用的池化方法为最大池化,以尺度为2、步长为2的最大池化函数为:fp o o l=m a x(xi,j,xi+1,j,xij+1,xi+1,j+1),(2)式中:fp o o l 为池化后的结果,xi,j为特征图张量上(i,j)位置上的值。全连接层一般位于整个卷积神经网络的最后,负责将卷积输出的二维特征图转化成一维向量,由此实现了端到端的学习过程,再将得到的一维向量输入到分类器中进行分类。2.2 迁移学习传统神经网络学习需要大量的训练样本来保证分类模型的准确性,而且需要独立同分布的训练与测试样本保证分类模型的可靠性。但在实际应用中经常存在训练样本有限、独立同分布不满足的问题。为了解决这一问题,可以采用迁移学习的方法。迁移学习是一种机器学习技术,其基本原理是利用已经学习好的模型在不同的任务中进行重用,从而提高学习效率和精度。相较于从头开始训练新模型,迁移学习可更快速实现模型训练和调试,并通常能够获得更好的性能表现。在迁移学习中,已经训练好的模型被称为源模型,而需要训练的模型被称为目标模型。源模型的知识和经验可以通过不同的方式被传递到目标模型中,例如使用预训练的权重、特征提取器等。迁移学习首先设计适合新任务的全连接层,以替换预训练模型的全连接层;然后保持卷积层和全连接层结构不变,载入预训练模型的参数和权重到卷积层;最后使用目标数据集训练新的网络模型。迁移学习通常有两种训练方式:一种是把预训练模型当作特征提取器,即冻结模型的卷积层,仅训练全连接层;另一种是微调迁移学习,即除训练全连接层以外,同时训练网络的卷积层。2.3 基于迁移学习的线束模板图纸识别模型构建为了构建基于迁移学习的线束模板图纸识别模型,本文选择使用VG G-1 6网络作为源模型,并对该网络针对新的分类任务重新设计全连接层,得到目标模型,从而进行迁移学习训练。VG G-1 6网络结构模型如图2所示,共有1 6个权重层,包含1 3个卷积层和3个全连接层。输入图像为2 2 42 2 4的彩色图像,在卷积层采用33卷积核,滑动步长为1,通过两层和三层卷积串联,模仿出更大的感受野效果。池化层采用最大池化(M a x P o l l i n g),池化窗口为22,步长为2,用于减小卷积后的特征图像尺寸大小,并保证模型的平 移 不 变 性;全 连 接 层 对I m a g e N e t实 现 分类1 1。图2 VG G-1 6网络模型结构图F i g.2 V G G-1 6 c o n v o l u t i o n a l n e t w o r k m o d e lVG G-1 6全连接层是为解决I m a g e n e t数据集的1 0 0 0个分类问题设计的,对于EW I S线束模板图纸数据集来说,参数过多,会导致训练时间过长、容易过拟合、梯度爆炸或梯度消失等问题。为了构建基于迁移学习的线束模板图纸识别模型,本研究针对EW I S线束模板图纸数据集的1 0种线束组件模板元素,采用了一种新的全连接层设计来替换VG G-1 6原本为1 0 0 0个分类类别设计的全连接层。改进后的网络结构如图3所示。为构建基于迁移学习的网络模型用于线束组件元素 识别与分类,用新设计的 全连接层替 换VG G-1 6的全连接层,再使用微调迁移学习的方法,将VG G-1 6预训练模型参数传递至新设计的训练模型中,最后将新模型在线束组件元素数据集上进行训练,训练完成的新模型即可对线束组件元素图像进行检测与识别,具体流程如图4所示。修改后的网络卷积层和池化层将输入图像展开成一个12 5 0 8 8的向量,然后通过第一个全连242第3 7卷 第2期信阳师范学院学报(自然科学版)h t t p:/j o u r n a l.x y n u.e d u.c n2 0 2 4年4月接层降维到12 0 4 8。为了提高神经网络的非线性拟合能力和增强模型的表达能力,下面使用非线性激活函数对特征向量进行处理。图3 改进后的网络结构图F i g.3 F l o w c h a r t o f t h e i m p r o v e d n e t w o r k s t r u c t u r e图4 基于迁移学习的线束模板组件识别方法流程图F i g.4 F l o w c h a r t o f w i r i n g h a r n e s s t e m p l a t e c o m p o n e n t i d e n t i f i c a t i o n m e t h o d b a s e d o n t r a n s f e r l e a r n i n g在本研究中采用R e L U激活函数,因为它具有计算简单、收敛速度快等特点,相较于S i g m o i d函数和T a n h函数,R e L U激活函数具有更强的非线性拟合能力。其表达式为:fR e L U=0,t0,t,t0,(3)式中:fR e L U为R e L U函数,t为R e L U函数的自变量。为了避免网络的过拟合,在两层全连接层之间加入D r o p o u t层,其可以在每次网络训练中,随机选择一些神经元并将其临时丢弃。特征向量通过D r o p o u t层后进入第二个全连接层,其将特征向量降维至11 0 2 4。最后将特征向量输入S o f t M a x函数计算得到分类概率,其计算公式为pr=e x p(vr)/ni=0e x p(vk),(4)式中:vr为向量中的第r个分量,pr为第r个分量的分类概率,k为分量的序号。3 模型训练与验证3.1 实验环境实验硬件采用I n t e l(R)X e o n(R)P l a t i n u m 8 2 5 5 C处理器,主频2.5 GH z,G P U采用N v i d i a G e F o r c e 3 0 8 0,显 存1 0 G B。实 验 软 件 采 用P y t h o n 3.8,P y t o r c h框架 版 本1.8.1,c u d a版 本1 1.1,操作系统为U b u n t u 1 8.1。本实 验 采 用P y t h o n语 言 及O p e n C V库 对EW I S线束模板组件图像数据进行处理过程。采用P y t o r c h深度学习框架训练EW I S线束模板图纸分类模型,并测试EW I S线束模板图纸分类的效果。3.2 实验设计为了测试本研究模型的性能,选用A l e x N e t、G o o g l e N e t、R e s n e t-3 4等网络与本研究模型进行对比实验。此外,为了证实迁移学习对网络性能的提升,将网络分为是否采用迁移学习、迁移学习的方式(只训练全连接层和训练全部层)等进行对比实验。在网络训练中,采用随机梯度下降方法进行优化,动量参数设定为固定值0.9,学习效率(l e a r n i n g r a t e)为0.0 0 0 1,每一次梯度下降样本数(b a t c h_s i z e)为6 4。通过随机方法对全连接层的参数进行初始化,每一轮训练结束后,由测试集测试模型的分类准确率。3.3 评估标准实验 使 用 测 试 准 确 率、精 确 率、召 回 率、F 1-S c o r e值和交叉熵损失函数作为评判实验方法的效果。交叉熵损失函数定义为L o s s=-1NiMc=1yi cl npi c ,(5)式中:M为类别的数量;yi c为样本符号(0或1),若样本i的真实类别为c,则取1;否则,取0;pi c为观测样本i属于类别c的预测概率。测试准确率定义为A c c u r a c y=T P+T NT P+T N+F P+F N,(6)精确率定义为P r e c i s i o n=T PT P+F P,(7)召回率定义为R e c a l l=T PT P+F N,(8)F 1-S c o r e定义为342周文举,朱一丁,杨庆华,等.基于迁移学习的飞机线束模板图纸识别模型研究F 1=2P r e c i s i o n R e c a l lP r e c i s i o n+R e c a l l,(9)式中:T P(T r u e P o s i t i v e)表示预测为1,实际为1,则预测正确的样本量;F P(F a l s e P o s i t i v e)表示预测为1,实际为0,则预测错误的样本量;F N(F a l s e N e g a t i v e)表示预测为0,实际为1,则预测错误的样本量;T N(T r u e N e g a t i v e)表示预测为0,实际为0,则预测正确的样本量。3.4 线束模板组件识别模型训练实验观察各组实验,训练3 0 0次以后,各模型都趋于收敛,测试准确率波动在1%以内,损失函数值波动在0.0 1以内,由此可知测试准确率及损失函数值都趋于稳定。因此选择迭代训练3 0 0次的模型进行评估。各模型训练结果及评价参数如表1。表1 各种训练模型的训练结果T a b.1 T r a i n i n g r e s u l t s o f v a r i o u s t r a i n i n g m o d e l s模型类型准确率/%召回率/%精准率/%F 1/%VG G-1 6迁移学习训练全部层9 8.8 99 7.9 59 9.0 69 8.4 5VG G-1 6迁移学习只训练全连接层9 7.5 69 5.7 69 8.3 89 6.9 6V G G-1 69 6.5 99 4.9 49 8.2 39 6.4 4A l e x n e t9 6.5 99 3.8 79 8.1 49 5.7 3R e s n e t-3 49 6.6 39 3.6 69 6.3 89 4.5 6G o o g l e n e t9 4.7 99 1.1 99 5.5 98 8.4 53.4.1 模型结构对于模型的影响不同网络结构下的准确率及损失函数值变化如图5。对比不同卷积神经网络经典模型的试验结果,在4种常用的卷积神经网络结构中,VG G-1 6网络最终测试准确率最高,但收敛速度较慢。V G G-1 6采用较小的卷积核尺寸的多层组合,保证了感受野的同时,可以拟合更加复杂的特征,但由于参数较其他网络更多,因此收敛速度较慢。图5 不同网络结构下的准确率及损失函数值变化F i g.5 T r a i n i n g l o s s a n d t e s t a c c u r a c y u n d e r d i f f e r e n t m o d e l sR e s n e t-3 4网络层数高达3 4层,同时引入了残差结构,极大地消除了深度过大的神经网络训练困难 问 题,因 此 收 敛 速 度 快 于VG G-1 6网 络。G o o g L e N e t模型采用了I n c e p e t i o n模块,通过构建密集的块结构来近似最优的稀疏结构,与VG G-1 6模型相比,采用 33的卷积核组合得到的准确率稍微逊色。A l e x n e t网络拥有较大的卷积核尺寸,但是网络深度低于VG G-1 6和R e s n e t网络,因此准确率稍微逊色。3.4.2 学习方式对模型的影响在相同的训练条件下,分别使用两种迁移学习的方式进行训练,并与不使用迁移学习进行重新训练的VG G-1 6网络进行比较,各方式的测试准确率及损失函数如图6所示。图6 不同学习方式下的准确率及损失函数值变化F i g.6 T r a i n i n g l o s s a n d t e s t a c c u r a c y u n d e r d i f f e r e n t t r a n s f e r l e a r n i n g m e t h o d s由图6可知,重新训练整个VG G-1 6网络的训练方式的收敛速度最慢。使用迁移学习但只训练全连接层的方法较重新训练整个VG G-1 6网络在训练速度上快很多,但收敛后准确率与重新训练相差不大。迁移学习训练全部层收敛速度最快,且收敛后准确率最高。分析结果可得,与只训练全连接层相比,迁移学习训练全部层能够修正卷积层的参数和权重,使模型实现对数据集更好的识别效果;与重新训练整个VG G-1 6网络相比,迁移学习训练全部层能够在预训练模型的基础上保留对图像特征的提取性能,因此训练速度明显快于重新训练整个网络。实验证明,迁移学习能够大大缩短模型收敛时间,并提高模型准确率。4 结论在VG G-1 6网络结构的基础上,通过微调迁移学习,改进了全连接层结构,并用1 0个S o f t M a x分类层替代了VG G-1 6原有的1 0 0 0个分类层。采集线束模板组件常用的1 0种元素建立数据集,使用线束模板元素数据集通过两种迁移学习方式训练改进的VG G-1 6网络,并与A l e x n e t、G o o g l e n e t、R e s n e t-3 4等网络进行比较,得到以下结论:1.与A l e x n e t、G o o g e l n e t、R e s n e t-3 4等网络相442第3 7卷 第2期信阳师范学院学报(自然科学版)h t t p:/j o u r n a l.x y n u.e d u.c n2 0 2 4年4月比,VG G-1 6网络在线束模板组件数据集上有更好的表现,表明VG G-1 6网络对线束模板组件元素识别具有较好的应用效果。2.与全新学习相比,迁移学习缩短了训练时间,提升了模型的识别性能。迁移学习的方式能够弥补VG G-1 6网络在训练时收敛速度较慢的缺点,且在线束组件元素图像识别方面具有更高的识别精度。3.在迁移学习中,若冻结卷积层,仅训练全连接层模块,则测试准确率为9 8%左右,而迁移学习训练模型所有层,在测试样本中的准确率能达到9 8.8 9%。这说明通过训练网络的所有层,模型能够更好地提取线束组件元素图像的特征,从而实现更高的准确率。参考文献:1 中国民用航空总局.中国民用航空规章第2 5部,运输类飞机适航标准:C C A R-2 5-R 3S.北京:中国民用航空总局,2 0 0 1.C i v i l A v i a t i o n A d m i n i s t r a t i o n o f C h i n a.P a r t 2 5 o f t h e c i v i l a v i a t i o n r e g u l a t i o n s o f C h i n a,a i r w o r t h i n e s s s t a n d a r d s f o r t r a n s p o r t c a t e g o r y a i r c r a f t:C C A R-2 5-R 3S.B e i j i n g:C i v i l A v i a t i o n A d m i n i s t r a t i o n o f C h i n a,2 0 0 1.2 吕明,刘岩东.民用飞机线束综合设计方法研究J.民用飞机设计与研究,2 0 1 7(1):5 0-5 3.L YU M i n g,L I U Y a n d o n g.R e s e a r c h o n i n t e g r a t i o n d e s i g n m e t h o d o f h a r n e s s f o r c i v i l a i r c r a f tJ.C i v i l A i r c r a f t D e s i g n a n d R e s e a r c h,2 0 1 7(1):5 0-5 3.3 D E P,MAN D A L S,D A S A,e t a l.A n e w a p p r o a c h t o d e t e c t a n d c l a s s i f y g r a p h i c p r i m i t i v e s i n e n g i n e e r i n g d r a w i n g sC/2 0 1 4 F o u r t h I n t e r n a t i o n a l C o n f e r e n c e o f E m e r g i n g A p p l i c a t i o n s o f I n f o r m a t i o n T e c h n o l o g y,K o l k a t a:I E E E,2 0 1 4:2 4 3-2 4 8.4 E L YAN E,GA R C I A C M,J AYN E C.S y m b o l s c l a s s i f i c a t i o n i n e n g i n e e r i n g d r a w i n g sC/2 0 1 8 I n t e r n a t i o n a l J o i n t C o n f e r e n c e o n N e u r a l N e t w o r k s(I J C NN),R i o d e J a n e i r o:I E E E,2 0 1 8:1-8.5 翟传敏,杜吉祥,黄飞.基于径向基概率神经网络的工程图纸图形符号识别J.智能系统学报,2 0 0 6,1(1):8 8-9 1.Z HA I C h u a n m i n,D U J i x i a n g,HUAN G F e i.G r a p h i c s y m b o l r e c o g n i t i o n o f e n g i n e e r i n g d r a w i n g s b a s e d o n r a d i a l b a s i s p r o b a b i l i s t i c n e u r a l n e t w o r k sJ.C AA I T r a n s a c t i o n s o n I n t e l l i g e n t S y s t e m s,2 0 0 6,1(1):8 8-9 1.6 徐剑,张皓,徐航,等.一种基于F a s t e r R C NN的电网图元识别方法J.计算机与现代化,2 0 2 1(1 2):5 3-5 7.X U J i a n,Z HAN G H a o,XU H a n g,e t a l.D e t e c t i n g e l e c t r i c a l c i r c u i t e l e m e n t s b a s e d o n f a s t e r R C NNJ.C o m p u t e r a n d M o d e r n i z a t i o n,2 0 2 1(1 2):5 3-5 7.7 周超,许黎明,乔文俊,等.轴类零件图特征的识别与匹配J.机械设计与研究,2 0 2 2,3 8(5):1 2 6-1 2 9.Z HOU C h a o,XU L i m i n g,Q I AO W e n j u n,e t a l.F e a t u r e r e c o g n i t i o n a n d m a t c h i n g m e t h o d o f s h a f t p a r t s d r a w i n gJ.M a c h i n e D e s i g n&R e s e a r c h,2 0 2 2,3 8(5):1 2 6-1 2 9.8 王贝贝.基于视觉内容的工程图纸智能检索研究D.北京:北京交通大学,2 0 2 0.WANG B e i b e i.R e s e a r c h o n i n t e l l i g e n t r e t r i e v a l o f e n g i n e e r i n g d r a w i n g s b a s e d o n v i s u a l c o n t e n tD.B e i j i n g:B e i j i n g J i a o t o n g U n i v e r s i t y,2 0 2 0.9 刘立,陈