基于轻量级网络的飞机蜂窝结构积水缺陷检测.pdf

计算机测量与控制 ()C o m p u t e r M e a s u r e m e n t&C o n t r o l 测试与故障诊断 收稿日期:;修回日期:.基金项目:国家重点研发计划(Y F B ,Y F F ,Y F F ,Y F B ,Y F F );国家自然科学基金(,);中央高校基本科研业务费(N J ,N J ).作者简介:徐方(),女,河南南阳人,硕士研究生,主要从事无损检测、深度学习方向的研究.刘文波(),女,辽宁海城人,博士,教授,主要从事信号处理、计算机测控技术方向的研究.引用格式:徐方,刘文波,汪荣华,等基于轻量级网络的飞机蜂窝结构积水缺陷检测J计算机测量与控制,():,文章编号:()D O I:/j c n k i /t p 中图分类号:T P 文献标识码:A基于轻量级网络的飞机蜂窝结构积水缺陷检测徐方,刘文波,汪荣华,滕子煜,(南京航空航天大学 自动化学院,南京 ;高速载运设施的无损检测监控技术工业和信息化部重点实验室,南京 ;国营芜湖机械厂,安徽 芜湖 )摘要:复合材料蜂窝结构在飞机服役过程中产生的积水缺陷在日常维护和检修过程中依赖人工、检测效率低、自动化程度低,若未能及时发现将严重威胁飞行安全;针对该问题,结合实际检修场景中使用的移动或嵌入式设备算力有限的情况,设计了一种融合通道注意力和倒残差算法的模块S E I R,进一步搭建了基于S E I R模块的轻量级网络S E I RL C NN,尽可能地在保证网络检测准确率的同时减小网络的参数量;为了验证所提轻量级网络的有效性、使用数字X射线摄影设备获取蜂窝结构及其积水缺陷数字化图像并制成数据集;在该数据集上的实验结果表明,所提轻量级网络的分类准确率为 ,可有效筛选出飞机蜂窝结构的积水缺陷;相较于经典网络R e s N e t 和VG G ,所提网络的准确率分别提升了 和 、参数量仅为R e s N e t 参数量的/、VG G 参数量的/.关键词:航空复合材料;蜂窝结构积水;无损缺陷检测;倒残差结构;通道注意力机制W a t e r I n g r e s sD e t e c t i o no fA i r c r a f tH o n e y c o m bS t r u c t u r eB a s e do nL i g h t w e i g h tN e t w o r kXUF a n g,L I U W e n b o,WANGR o n g h u a,T E NGZ i y u,(C o l l e g eo fA u t o m a t i o nE n g i n e e r i n g,N a n j i n gU n i v e r s i t yo fA e r o n a u t i c s&A s t r o n a u t i c s,N a n j i n g ,C h i n a;N o n D e s t r u c t i v eT e s t i n ga n dM o n i t o r i n gT e c h n o l o g yf o rH i g h S p e e dT r a n s p o r tF a c i l i t i e sK e yL a b o r a t o r yo fM i n i s t r yo f I n d u s t r ya n dI n f o r m a t i o nT e c h n o l o g y,N a n j i n g ,C h i n a;W u h uS t a t e Ow n e dF a c t o r yo fM a c h i n i n g,Wu h u ,C h i n a)A b s t r a c t:T h ew a t e r i n g r e s sd e f e c t so fc o m p o s i t eh o n e y c o m bs t r u c t u r ep r o d u c e di nt h es e r v i c ep r o c e s so fa i r c r a f tw i l ls e r i o u s l yt h r e a t e nf l i g h t s a f e t y T h ed e t e c t i o no fw a t e r i n g r e s sd e f e c t s r e l yo nm a n u a lw o r k,l o wd e t e c t i o ne f f i c i e n c ya n d l o wd e g r e eo f a u t o m a t i o ni n t h ed a i l ym a i n t e n a n c e a n do v e r h a u l p r o c e s s A i m i n ga t t h i sp r o b l e m,c o n s i d e r i n g t h e l i m i t e dc o m p u t i n gp o w e r o fm o b i l eo r e m b e d d e dd e v i c e su s e d i na c t u a lm a i n t e n a n c e s c e n a r i o s,am o d u l eS E I R t h a t i n t e g r a t e s s e q u e e z e a n de x c i t a t i o nb l o c ka n d i n v e r t e d r e s i d u a la l g o r i t h mi sd e s i g n e d,a n da l i g h t w e i g h t n e t w o r kS E I RL C NNb a s e do nS E I Rm o d u l e i s f u r t h e rb u i l t A sm u c ha sp o s s i b l e t oe n s u r et h ea c c u r a c yo fn e t w o r kd e t e c t i o nw h i l er e d u c i n gt h en u m b e ro fn e t w o r kp a r a m e t e r s I no r d e rt ov e r i f yt h ee f f e c t i v e n e s so f t h ep r o p o s e d l i g h t w e i g h tn e t w o r k,d i g i t a lX r a yp h o t o g r a p h ye q u i p m e n t i su s e dt oo b t a i nd i g i t a l i m a g e so fh o n e y c o m bs t r u c t u r e sa n dt h e i rw a t e rd e f e c t s a n dm a k ed a t as e t s T h ee x p e r i m e n t a l r e s u l t so nt h i sd a t a s e t s h o wt h a t t h e c l a s s i f i c a t i o na c c u r a c yo f t h ep r o p o s e d l i g h t w e i g h tn e t w o r k i s ,w h i c hc a ne f f e c t i v e l ys c r e e no u t t h ew a t e ra c c u m u l a t i o nd e f e c t so fa i r c r a f th o n e y c o m bs t r u c t u r e C o m p a r e dw i t ht h ec l a s s i c a ln e t w o r kR e s N e t a n dVG G ,t h e a c c u r a c yo f t h ep r o p o s e dn e t w o r k i s i n c r e a s e db y a n d r e s p e c t i v e l y,a n dt h en u m b e r o f p a r a m e t e r s i so n l y/o f t h en u m b e r o f p a r a m e t e r so fR e s N e t a n d/o f t h en u m b e r o f p a r a m e t e r so fVG G K e y w o r d s:a v i a t i o nc o m p o s i t e s;h o e n y c o m bs t r u c t u r ew a t e ri n g r e s s;n o n d e s t r u c t i v ed e f e c td e t e c t i o n;s e q u e e z ea n de x c i t a t i o nb l o c k;i n v e r t e dr e s i d u a l s t r u c t u r e引言蜂窝夹层结构是航空器结构中最理想、结构效率最高的形式之一.蜂窝夹层结构复合材料由蜂窝芯、面板和胶粘剂组成,具有质量轻、比强度和比刚度高、导热系数低、抗失稳能力强、耐疲劳老化、吸音隔音等优点,已广泛应用于军用和民用飞机机身、机翼、尾翼、方向舵、雷达罩、地板等结构.如F 飞机的襟、副翼、平尾前缘、垂尾边缘、方向舵等均采用了蜂窝夹层结构,空中客机公司投稿网址:w w wj s j c l y k z c o m第期徐方,等:基于轻量级网络的飞机蜂窝结构积水缺陷检测 A 飞机上蜂窝夹层结构复合材料的用量达 m,中国商飞公司C 大型客机舱门、客货舱、地板等结构使用了蜂窝夹层结构材料.随着飞机服役年限的增加,蜂窝结构在工作载荷作用下密封性下降,工作环境中的雨水、漏水、冷凝水等渗漏其中,造成积水缺陷.蜂窝芯格积水不仅破坏飞机载荷平衡,还会进一步引起蜂窝结构脱胶、内部腐蚀、结冰胀裂、结构强度降低等问题,危及飞行安全.因此,在飞机日常检修和定期大修期间,检测蜂窝结构积水是一项必要且十分重要的工作.针对飞机蜂窝结构积水缺陷无损检测,国内外开展了一系列研究,按照数据采集方法的不同,蜂窝夹层积水缺陷无损检测方法大致可分为:超声法、微波平板波导法、介电常数调制法、红外法、微波法、全息雷达法、激光错位散斑法、X射线成像法.超声检测蜂窝积水信噪比低;红外热成像检测技术容易受加热不均匀、蜂窝夹层结构表面反射率及表面形状的影响,检测能力受到一定限制;由于探测波长的限制,平行平板波导法和微波全息雷达成像法只适用于特定材质的蜂窝夹层结构复合材料;介电常数调制法需要对仪器输出的一维电压信号进行分析来推测待测样件积水情况,当蜂窝芯格内的积水深度低于mm时,介电常数调制法不能检测出该缺陷.X射线成像技术具有检测效率高、非接触、无需耦合、显示结果直观、不受限于被测样件材料等优点,数字X射线成像(D R,d i g i t a l r a d i o g r a p h y)相较于传统胶片成像具有分辨率高,动态范围大、信噪比高、X射线曝光剂量低检测结果直观等优点,适合用于检测蜂窝结构复合材料内部的积水缺陷.对于D R设备采集的高质量图像,目前的研究者仍然依靠目视X射线图像的方法确定蜂窝结构内部是否存在积水缺陷 .依靠人工目视的方法效率低、耗费时间长、自动化程度低.对于蜂窝结构D R图像,基于图像处理和统计学习的传统缺陷检测方法需要依靠设计者的先验知识,根据特定的数据类型和领域特性设计选取图像的形状、纹理、颜色等底层视觉特征或尺度不变特征变换、局部二值模式、方向梯度直方图 等局部不变特征,人工设计选取特征十分困难且耗费时间.近年来,随着深度学习在计算机视觉应用领域不断取得成功,人们开始寻求将深度学习用于工业缺陷检测,并逐渐发展为工业缺陷检测领域的主流方法.相较于基于图像处理与统计学习的传统方法,卷积神经网络(C NN,c o n v o l u t i o n a ln e u r a ln e t w o r k)无需手工设计特征,而是依靠强大的特征提取能力和对高维特征的表征能力自动学习人类难以设计的特征,更加适合用于处理复杂的工业图像数据 .现有的卷积神经网络具有参数量较大、难以部署在移动或嵌入式设备的局限性.本文提出一种用于筛选检测蜂窝结构中积水缺陷的轻量型卷积神经网络,可用于飞机蜂窝结构件无损检测的工业检修场景,提升蜂窝积水检测的准确率、效率和自动化程度.也可在漏检后果严重的检修场景下作为一项辅助或检验技术.轻量级网络S E I RL C N N设计基础 可分离卷积卷积层是卷积神经网络的基本运算单元,从输入数据中提取抽象的特征信息.卷积运算是构建卷积层的基础.在数学上,卷积运算是对两个实变函数乘积的一种特殊积分形式,一维连续函数x(t)、w(t)的卷积s(t)定义为:s(t)(xw)(t)x(a)w(ta)d a()常规卷积即标准 卷 积(S t dC o n v,s t a n d a r dc o n v o l u t i o n a l).如图(a)所示,对输入的三通道图像,预设输出通道数为即输出特征层包含个特征图时,常规卷积层中包含个卷积块,每块由个大小为的卷积核堆叠构成.常规卷积层的参数量Ns t d为:Ns t d ()可分离卷积由G o o g l e于 年提出,核心思想是将一个完整的卷积运算分解为两步进行,分别为深度卷积(DW C o n v,d e p t h w i s ec o n v o l u t i o n)和 逐 点 卷 积(PWC o n v,p o i n t w i s ec o n v o l u t i o n).DW C o n v对输入特征层的每个通道单独进行卷积操作,输出特征层通道数与输入特征层通道数相同.DW C o n v卷积层中卷积块的数量与输入特征层相同,如图(b)所示,DW C o n v卷积层的参数量Nd w为:Nd w()DW C o n v单独对输入特征层的每个通道进行处理,未能有效利用不同特征图在相同空间位置上的信息,因此需要进一步使用PW C o n v将输出的特征图进行组合生成新的特征图.PWC o n v卷积层中的每个卷积块由n个卷积核堆叠构成,n为PW C o n v输入特征层的通道数.如图(b)所示,PW C o n v将DWC o n v输出的特征图在深度方向上进行加权组合,生成新的特征图.PW C o n v卷积层的参数量Np w为:Np w()可分离卷积的总参数量Ns e p a r a b l e为:Ns e p a r a b l eNd wNp w()当输入图像相同,输出特征层中都含有张特征图时,可分离卷积的参数量约为常规卷积的/,当限制卷积神经网络的参数量时,使用可分离卷积可以将网络层数做的更深,从而提升卷积神经网络的性能.为了达到神经网络的轻量化效果,便于部署在工业缺陷检测过程中使用的移动和嵌入式设备等算力较低的设备上,本文使用可分离卷积搭建网路.倒残差结构残差结构由微软实验室于 年发表的R e s n e t论文中提出,倒残差结构由谷歌团队于 年发表的M o b i l e n e t V 论文中提出.倒残差结构与残差结构的不同之处投稿网址:w w wj s j c l y k z c o m计算机测量与控制第 卷 图常规卷积与可分离卷积组成示意图主要体现在个方面:一是特征维度变化过程不同,二是采用的特征提取卷积形式不同,三是使用的激活函数不同.如图(a)所示,残差结构先通过先使用的PWC o n v实现降维,再使用S t dC o n v提取特征,最后使用的PWC o n v升维,使输出特征通道数与输入特征通道数保持一致.如图(b)所示,残差结构运算过程中,特征通道数即特征维度的变化过程呈现出一个两头大、中间小的沙漏型结构.图(c)中,倒残差结构先使用的PW C o n v对特征进行升维,再使用的DW C o n v提取特征,最后使用的PWC o n v降维.使输出特征通道数与输入特征通道数保持一致.如图(d)所示,倒残差结构运算过程中,通道数即特征维度的变化过程呈现出一个两头小、中间大的梭型结构.图残差结构和倒残差结构示意图DW C o n v中卷积块的数量取决于输入特征的通道数,无法进行改变.倒残差结构中使用PW C o n v升维扩充了通道数,使DW C o n v能够在高维空间上提取更多的信息,达到更好的训练效果.残差结构中统一采用R e L u激活函数,倒残差结构中,升维和特征提取后采用R e L u 激活函数,降维后采用线性激活函数.R e L u的输出范围是零到正无穷,当不对其输出范围作出限制时,低精度 位浮点数无法精确描述其数值,带来精度损失.R e L u 激活函数的输出上界为,可以保证移动端设备在f l o a t 低精度情况下,也能够保有有很好的数值分辨率.通道注意力机制通道注意力网络(S E N e t,s q u e e z ea n de x c i t a t i o nn e t w o r k)由M o m e n t a公司所属团队于 年提出,并斩获当年I m a g e N e t比赛中图像分类任务的冠军.S E N e t的核心为通道注意力模块(S E,s e q u e e z ea n de x c i t a t i o nb l o c k).S E不是一个完整的卷积神经网络结构,而是一个子模块,可以嵌入到分类或检测模型中.S E的核心思想是通过网络学习并调整每个特征通道的重要程度,提高有用的特征图的权重、降低无效的特征图的权重从而使模型达到更好的训练效果.S E由压缩、注意力和重标定三部分组成,S E原理如图所示.压缩阶段,使用全局均值池化由大小为CHW的特征层得到大小为C的具有全局感受野的特征图;注意力阶段,首先生成每个特征通道的权重,然后使用参数W显式地建模特征通道间的相关性;重标定阶段,将注意力阶段输出的各通道权重,通过乘法逐通道加权到各特征通道上,完成对特征图的重标定.图注意力机制原理示意图图中,Ft r(,)为标准卷积;压缩阶段由全局均值池化(GA P,g l o b a l a v e r a g ep o o l i n g)算法实现G A P对每个通道的二维图像做平均,将HWC的输入转换为C的输出,获取C个特征图的全局信息.S q u e e z e过程的数学表达式为:zcFs q(uc)HWHiWjuc(i,j)()式中,uc表示U中的第c个特征图.注意力阶段依次通过全连接层(F C,f u l l y c o n n e c t e dn e u r a l n e t w o r k)F C、R e L u激活函数、全连接层F C、S i g m o i d激活函数获取特征图权重.注意力阶段的数学表达式为:scFe x(z,W)(g(z,W)(W(Wz)()式中,sc为U中C个特征图的权重,s的维度为C.投稿网址:w w wj s j c l y k z c o m第期徐方,等:基于轻量级网络的飞机蜂窝结构积水缺陷检测 W、W为两个全连接层.W、W的维度为:DWC/rC()DWCC/r()式中,r是为了减少通道数从而降低参数量的缩放参数,取r.对于U中的第c个特征图,重标定过程将二维特征图uc与其权重sc进行融合,即对uc中的每个值乘以sc,从而对特征图进行重标定.重标定过程的数学表达式为:XcFs c a l e(uc,sc)scuc()式中,Xc为S E生成的U中的第c个特征图对应的新的特征图.融合注意力机制的倒残差模块设计 融合注意力机制的倒残差模块式设计为了满足飞机蜂窝结构积水缺陷工业检修环境中对检测效率的要求,适应检测场景中的较低算力的移动或嵌入式设备,尽可能地在保证检测精度的同时减小卷积神经网络的参数量.本文设计了一种融合通道注意力和倒残差算法的模块S E I R(s e q u e e z ea n de x c i t a t i o n i n v e r t e dr e s i d u a lm o d u l e).S E I R的组成结构如图所示.图S E I R模块组成结构示意图使用的激活函数的数学表达式如表所示.表S E I R中使用的激活函数激活函数表达式S i g m o i df(x)exR e L uf(x)m a x(,x)R e L u f(x)m i n(m a x(x,),)基于S E I R的轻量级网络设计设计了一种基于S E I R模块的轻量级卷积神经网络S E I RL C NN(l i g h t w e i g h t 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 kb a s e o nS E I R).S E I RL C NN的组成如图所示,网络结构中共含有个卷积层,个池化层,个输出层.输入图像是大小为 的 三 通 道 图 像,首 先 经 过标 准 卷 积 层C o n v,步长为,对输入图像进行降采样;C o n v 由个S E I R模块连接组成,步长为;C o n v、C o n v、C o n v 均由个S E I R模块连接组成,步长为.输入图像经过卷积层提取特征后输出特征图尺寸为,通道数为 ,通过池化层的自适应均值池化投影到归一化指数函数s o f t m a x层,将分类结果以概率形式输出,实现对含有积水缺陷的蜂窝结构图像的筛选.图S E I RL C NN组成示意图实验与分析 实验数据获取由于没有飞机蜂窝结构X射线图像公开数据集,本文以主要材料为蜂窝结构的某型飞机方向舵作为检测对象开展实验研究.该方向舵中蜂窝结构复合材料的上下蒙皮材质为碳纤维,蜂窝芯材为正六边形芳纶纸蜂窝,外形尺寸约为 mm mm.X射线是电磁辐射的一种形式,在电磁波谱中处于高频位置.大多数X射线的波长范围在 n m之间,对应的频率范围 P H z EH z之间.X射线的能量通常在 e V k e V之间,光子能量超过 k e V的射线称为硬X射线,否则称为软X射线.X射线在真空中以光速传播,不受电场、磁场的影响;X射线具有很强的穿透性,在媒介中沿直线传播;X射线具有感光性和荧光性,可使照相底片感光、使某些物质发出荧光;X射线在媒介表面可发生反射、折射,对于常见媒介,折射率接近于.X射线无损检测技术是X射线直线性、穿透性、感光性或荧光性的应用.X射线无损检测的物理基础是X射线在被照射物体中由于散射和吸收产生的能量衰减变化.物理实验表明,当投稿网址:w w wj s j c l y k z c o m计算机测量与控制第 卷 一束射线在均匀介质中传播时,在很小的厚度范围内强度的衰减量与入射射线强度和穿透介质的厚度成正比,即:IIeH()式中,I为入射线强度;I为透射射线强度;为射线的线衰减系数(c m);H为射线穿透介质的厚度.如图所示,当被检测样件内部存在一个很小的缺陷区时,检测样件在射线透射方向的厚度差与物质对比度之间的关系如式()所示:II I()Hn()式中,I为均匀区域透射线强度,I 为缺陷区域透射线强度;为检测构件的线衰减系数,为缺陷区域线衰减系数;H为检测构件厚度,H为缺陷区域厚度,且通常有 HH;n为均匀区域和缺陷区域对射线的散射比.图X射线缺陷检测原理示意图X射线对缺陷的检测能力与缺陷在缺陷透照方向上的尺寸、缺陷区域与均匀区域线衰减系数的差异和散射线的控制有关.当飞机蜂窝结构复合材料存在积水缺陷时,X射线透射后会产生一定的物体对比度,并在探测器上产生一定灰度对比度,从而达到检测积水缺陷的目的.基于上述原理,只要蜂窝结构中积水缺陷造成的物质对比度可以达到探测器和图像显示器可分辨的灰度极差,即可在X射线图像中显示出该缺陷.D R是一种直接数字射线检测方法,具有图像质量好、图像分辨率高、检测效率高,检测结果便于存储传输等优点.如图所示,本文使用的D R系统主要由射线机、探测器、显示器、通讯线缆组成.图D R检测系统示意图本文开展实验使用的D R检测系统中,射线机使用美国G E公司的E R E S C O MF R便携式软射线机,其射线管材质为金属陶瓷、阳极材料为坞(W).探测器使用以色列NOVO公司的NO VO WN便携式非晶硅平板面阵探测器,其闪烁体材质为硫氧化钆(G O S).从检测对象中透射出的X射线通过非晶硅闪烁体时,闪烁体上的硫氧化钆涂层在X射线的作用下产生荧光,荧光被光电二极管收集后产生电信号,最终通过薄膜晶体管阵列转换为数字图像输出.D R检测系统的主要部件参数如表所示.表D R检测系统部件主要参数部件参数名称参数E R E S C O MF R便携软射线机X射线管材质金属陶瓷阳极材料坞(W)射线管电流 mA射线管头直径 mm焦点尺寸 mm靶角 NO VO WN便携非晶硅平板面阵探测器闪烁体材质硫氧化钆(G O S)外形尺寸 mm mm mm成像区尺寸 mm mm像素间距 m分辨率 l p/mm动态范围 b i t参考无损检测X射线数字成像检测方法相关标准,实验过程中D R检测系统的主要参数为电压 k V、电流mA、积分时间 s、焦距 mm、双丝I Q ID.采集的飞机方向舵D R图像如图所示,为R G B三通道彩色图像,分辨率为 ,水平和竖直分辨率均为 d p i,位深度为.积水缺陷在D R图像上呈现为不规则的明亮区域.经过简单预处理后将获取的D R图像随机剪裁为 大小,实验数据集中共 张图像.图方向舵蜂窝结构D R图像 实验环境配置本文基于P y T o r c h 深度学习框架开展实验,程序运行 环境 为W i n d o w s 操 作 系 统,编 译 器 为P y t h o n ,C UD A版本为C UD A ,c u D NN版本为c u D NN .硬件 平 台 的 处 理 器 为 内 存 G B的AMD R y z e n U,显卡为内存G B的NV I D I AG e F o r c eR T X .评价指标对卷积神经网络分类任务模型性能的评价需要借助的混淆矩阵,真正例(T P,t r u ep o s i t i v e)表示网络模型预测为正且真实情况为正,假正例(F P,f a l s ep o s i t i v e)表示网络模型预测为正真实情况为反,假反例(F N,f a l s en e g a t i v e)表示网 络 模 型 预 测 为 反 且 真 实 情 况 为 正,真 反 例投稿网址:w w wj s j c l y k z c o m第期徐方,等:基于轻量级网络的飞机蜂窝结构积水缺陷检测(T N,t r u en e g a t i v e)表示网络模型预测为反且真实情况为反.准确率是指网络模型预测结果中正确的比例,准确率值越高,表示模型的效果越好.借助混淆矩阵,模型准确率的计算公式为:a c c u r a c yT PT NT PF PT NF N预测正确的样本数总样本数()参数量是网络空间复杂度的衡量标准,参数量越小,网络运行过程中占用内存空间越小,网络越轻量化.实验结果与分析以:的比例划分训练集、验证集和测试集,初始学习率设置为 ,批大小设置为,训练 个e p o c h.网络训练过程中的训练损失和验证准确率的变线如图所示.图模型性能曲线由训练损失曲线可知,在经过 次迭代后,训练损失开始收敛、趋于稳定,经过 次迭代后,训练损失达到稳定,说明所提网络模型运行正常且达到非常好的拟合效果.由验证准确率曲线可知,在 次迭代以内,网络即可达到较高的验证准确率,体现了所提网络模型的有效性.为了定量比较本文网络与研究领域内常见网络,使用准确率和参数量来衡量网络的综合性能.为了保证实验结果的有效性,在所有网络训练时设置相同的参数,使用同一硬件平台在相同软件环境下开展实验,数据集均采用本文采集并制作的蜂窝结构D R数据集.实验结果如表所示.表不同网络性能比较网络名称参数量准确率/R e s N e t R e s N e t D T L VG G M o b i l e N e t o u r s 从表可以看出,R e s N e t D T L网络达到了最高的准确率 ,但参数量是本文网络的 倍.相较于研究领域内代表性的网络R e s N e t ,本文网络的准确率提高了 ,参数量仅为R e s N e t 的 ;相较于VG G 网络,本文网络的准确率提高了 ,参数量则减小了 倍.同样使用可分离卷积的M o b i l e N e t网络参数量与本文网络最为接近,参数量为本文算法的 倍,但准确率相较于本文网络降低了 .综上表明,本文算法在飞机蜂窝结构积水缺陷检测任务中表现较佳,在保证高准确率的同时,大大地降低了参数量,减轻了网络运行过程中硬件环境的负担,便于嵌入在实际检修场景中算力有限的设备中.结束语本文提出了一种融合倒残差结构和通道注意力机制的轻量化卷积神经网络,即S E I RL C NN,对飞机蜂窝结构中的积水缺陷进行检测.该网络能够达到较高的准确率、较为符合飞机检修低漏检率的要求,且能在不影响检测准确率的同时显著减少网络参数量,更适合移植到飞机检修场景中经常使用的移动或嵌入式设备等算力有限的硬件平台中.本文提出的网络可以用于提高飞机蜂窝积水无损检测过程中的检测效率和自动化程度,也可在仍然以人工为主的检测过程中作为一项辅助技术.参考文献:C A S T AN I EB,B OUV E TC,G I NO T MR e v i e wo fc o m p o s i t es a n d w i c hs t r u c t u r ei na e r o n a u t i ca p p l i c a t i o n sJC o m p o s i t e sP a r tC:O p e nA c c e s s,:陈静,邱启艳蜂窝夹层结构在飞机上的应用及发展 J新材料产业,():马志阳,高丽敏,徐吉峰复合材料在大飞机主承力结构上的应用与发 展 趋 势 J航 空 制 造 技 术,():曲亚林,宁宁,詹绍正蜂窝夹芯结构的无损检测技术 J航空制造技术,():GU P T AR,M I T CHE L LD,B L AN CHEJ,e ta l Ar e v i e wo fs e n s i n gt e c h n o l o g i e s f o rn o n d e s t r u c t i v ee v a l u a t i o no fs t r u c t u r a lc o m p o s i t em a t e r i a l sJ J o u r n a lo fC o m p o s i t e sS c i e n c e,():刘松平,刘菲菲先进复合材料无损检测技术 M北京:航空工业出版社,刘松平,刘菲菲,李乐刚,等航空复合材料无损检测与评估技术研究进展回顾 J航空制造技术,():涂俊,危荃,王飞用于航天蜂窝结构的激光与红外无损检测技术 J激光与红外,():B R I NK E RK,D VO R S K Y M,A IQA S E E RMT,e t a l R e v i e wo f a d v a n c e s i nm i c r o w a v e a n dm i l l i m e t r e w a v eN D T&E:P r i n c i p l e sa n da p p l i c a t i o n sJP h i l o s o p h i c a lT r a n s a c t i o n so ft h eR o y a lS o c i e t yA,()(下转第 页)投稿网址:w w wj s j c l y k z c o m第期朱志猛:基于深度学习智能仪表检测模型研究 识别方法研究 J自动化与仪表,():吴开田,陈丹,邱洋,等智能车控制的数显仪表识别技术研 究 J信 息 技 术 与 网 络 安 全,():张昊,周国钧,王凤雷基于深度学习的海上升压站仪表识别方法 J工业控制计算机,():,崔勇,张茜,吴桂芳,等能源互联网终端无线接入技术研究 J电力信息与通信技术,():吴昌钱,罗志伟,金凤一种物联网通信能耗控制算法的设计与仿真 J计算机仿真,():,闫天瑞,余倩倩,陈新威,等基于窄带物联网(N B I o T)技术在智慧机场水质监测系统中的应用分析 J应用技术学报,():王旭,王胜基于嵌入式和窄带物联网的农业种植智能测控系统 J农机化研究,():魏天舒,梁国鼎,李颂扬,等窄带物联网通讯模块用电量分析及测量不确定度评定 J计量与测试技术,():甄玉洁,胥康,蒋涛,等基于改进F PM法高维复杂多相分离过程的G P U并行计算研究 J应用数学和力学,():陈财富,汪双,陈波,等基于G P U并行计算的快速视觉 惯 性 里 程 计 方 法 J传 感 器 与 微 系 统,():,杨千禾G P U并行计算在雷达信号处理中的应用 J软件导刊,():汤璐,卢荣胜,史艳琼,等基于Y C b C r空间融合的高动态范 围 成 像 方 法 J激 光 与 光 电 子 学 进 展,():史立根,邱钧,刘畅,等基于Y C b C r光场数据的视差重建算法 J激光与光电子学进展,():林娜,黄韬,孙鹏林,等优化M a s k R C NN的高分遥感影像建筑物提取 J遥感信息,():周原锐,张逸群,曹远航,等基于O p e n C V视觉库的手写数字识别系统 J吉林大学学报(信息科学版),():(上接第 页)严罡,姚恩涛,夹尚远,等基于介电常数调制的曲面雷达罩蜂窝积水传感 器 设 计 J计 量 学 报,():江海军,陈力红外热波成像技术在复合材料无损检测中的应用 J无损检测,():CH I Z H M,Z HUR AV L E VA,R A Z E V I GV,e ta l D e t e c t i o no fw a t e r i n c l u s i o n s i nh o n e y c o m bc o m p o s i t ep r o d u c t sb yah o l o g r a p h i cr a d a rC/I E E EI n t e r n a t i o n a lC o n f e r e n c eo nM i c r o w a v e s,A n t e n n a s,C o mm u n i c a t i o n sa n dE l e c t r o n i cS y s t e m s(C OMC A S)I E E E,:崔凯歌,邵正杰,高鸿波,等基于C R技术的铝蜂窝夹层板内部积 水 评 估 J失 效 分 析 与 预 防,():章清乐,刘松平,刘菲菲大型复合材料蜂窝夹芯结构X射线数字成像自动化快速扫描检测技术 J航空制造技术,():卢鹏,危荃,敖波,等铝蜂窝夹芯结构的数字成像检测研究 J失效分析与预防,():喻星星,王晓青,张朝晖铝蜂窝复合材料内部积水的数字射线成像检测 J航空维修与工程,():汪荣华,卢新亮,胡松,等基于数字射线的方向舵自动化检测设计及应用 J安徽科技,():L OWE D GD i s t i n c t i v ei m a g ef e a t u r e sf r o m