买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京工业大学

摘要：一种基于航空发动机孔探裂纹检测轻量化部署方法，包括步骤；1获取航空发动机孔探裂纹的图像或视频，并构成孔探裂纹图像数据集；视频是多个连续帧图像；2建立基于GhostNet的YOLOv5卷积神经网络模型；3训练改进的YOLOv5卷积神经网络模型；4利用训练好的权重文件与测试数据集进行测试，针对改进模型的测试结果进行消融实验，对各个模型的性能进行对比，从中选择性能最好的YOLOv5改进网络模型；5将改进的网络模型部署到JetsonNano嵌入式平台，利用训练好的权重文件对孔探裂纹图像和视频进行检测；通过比较裂纹检测的精准度和单帧图像推理时间，对改进模型的轻量化部署进行最终的评估。

主权项：1.一种基于航空发动机孔探裂纹检测轻量化部署方法，其特征在于，包括如下步骤；步骤1获取航空发动机孔探裂纹的图像或视频，并构成孔探裂纹图像数据集；视频是多个连续帧图像；步骤2建立基于GhostNet的YOLOv5卷积神经网络模型；步骤2.1在YOLOv5的Backbone主干网络部分，使用stride＝1的GhostBottleneck模块代替原YOLOv5网络C3结构中的Bottleneck模块；步骤2.2在GhostBottleneck中加入CBAM注意力机制构成改进的C2Ghost模块；步骤2.3在YOLOv5的Neck颈部网络部分，使用BiFPN代替原YOLOv5网络中的PANet；步骤3训练改进的YOLOv5卷积神经网络模型；采用孔探裂纹数据集，加载图像或视频数据时，先用暗光增强算法对数据集进行暗光增强，然后对改进的YOLOv5卷积神经网络进行训练；步骤4利用训练好的权重文件与测试数据集进行测试，针对改进模型的测试结果进行消融实验，对各个模型的性能进行对比，从中选择性能最好的YOLOv5改进网络模型；步骤5将改进的网络模型部署到JetsonNano嵌入式平台，利用训练好的权重文件对孔探裂纹图像和视频进行检测；通过比较裂纹检测的精准度和单帧图像推理时间，对改进模型的轻量化部署进行最终的评估；所述步骤1中，先对航空发动机孔探裂纹的图像或视频数据进行采集；然后对采集的数据图像进行标注，使用矩形框标注裂纹的位置，并标注图像类别为裂纹；最后对采集的图像进行数据增强，扩充数据集；得到孔探裂纹图像数据集；所述步骤1的数据增强的方法为：采用Mosaci数据增强，通过随机使用图片进行缩放与随机分布拼接；采取添加噪声的方式对数据集进行预处理；同时使用CutMix方法来随机组合两幅孔探裂纹图像；将孔探裂纹图像数据集及经过标记生成的类别标签划分成训练集和测试集；所述步骤2.1中的GhostBottleneck模块由两个堆叠的Ghost模块组成；第一个Ghost模块用作扩展层，增加通道数；第二个Ghost模块减少通道数，来与shortcut通道数匹配；stride＝1的结构使用shortcut连接这两个Ghost模块的输入与输出；其中，第二个Ghost模块不使用ReLU激活函数，而其它层在每层之后都应用批量归一化BN和ReLU激活函数；stride＝2的结构是在两个Ghost模块之间，通过一个深度卷积DWConv进行连接，然后再使用shortcut连接这两个Ghost模块的输入与输出；所述步骤2.2的基于CBAM改进的C2Ghost模块的步骤包括：步骤2.2.1在GhostBottleneck中的两个Ghost模块之后加入CBAM注意力机制；步骤2.2.2在shortcut路径上先后加入一个Ghost模块和一个CBAM注意力机制；所述步骤2.3的BiFPN的实现步骤包括：步骤2.3.1移除在PANet中只有一个输入的节点，减少计算开销；步骤2.3.2将PANet自上而下和自下而上的双向路径作为基础层并将其重复多次；步骤2.3.3以类似残差连接的方式在相同等级的输入和输出节点之间增加一条额外的连接边；步骤2.3.4使用加权融合的方法来融合不同分辨率的特征层，通过可训练的权重，调节特征在特征融合中的贡献；所述步骤2.3.4中，加权特征融合的函数表达式为： 其中，ωi是可学习的权重，ε是一个远小于1的数，Ii是特征；特征融合的权值被限制在0～1之间；以下两个式子描述了在第6等级上BiFPN网络的跨尺度连接和加权特征融合的过程： 其中，Pin为输入特征，Pout为输出特征，Ptd为自顶向下的特征融合过程中的中间层；改进的YOLOv5网络模型中，取第4个网络模块的输出层为低特征层P3层，取第6个网络模块的输出层为中特征层P4层，取第9个网络模块的输出层为高特征层P5层；同时在第6个和第13个网络模块的输出层之间增加一条连接；所述步骤3中，设置训练参数：初始学习率、冲量大小、输入图片尺寸、批量大小、迭代次数；所述步骤3中的暗光增强算法包括：3.1利用Retinex理论分离图像的亮度分量和反射分量；3.2对亮度分量进行自适应Gamma校正；3.3利用反射分量恢复图像的细节和色彩；3.1基于Retinex理论，图像是由亮度分量和反射分量组成；假设RGB图像Ix，y各通道具有相同的亮度，即：Icx，y＝Rcx，y·Lx，y，c∈{r，g，b}，式中Rcx，y表示各个通道的反射分量，Lx，y表示图像的亮度分量；将RGB通道的最大值作为人眼观察的照度Vx，y； 根据Retinex理论，用2D高斯滤波器Gx，y对照度图像Vx，y进行卷积来获得图像的亮度分量Lx，y：Lx，y＝Gx，y*Vx，y；由此，反射分量Rcx，y被分离出来； 反射分量包括图像的边缘和细节这些高频成分；3.2在获取图像亮度分量后，对亮度分量进行自适应Gamma校正：Lenx，y＝Lx，yγx，y Lenx，y表示增强后的亮度分量，γx，y表示Gamma校正系数矩阵，Pωl为对应于各亮度值的权值分布函数： 式中，Pl是亮度分量的概率密度函数，pmax为Pl的最大值，pmin为Pl的最小值，Pl通过下式求得： 式中，nl为对应的亮度所含像素数，np为亮度分量包含的像素总数；3.3融合Lenx，y以及Rcx，y即得到最终的增强图像Ienx，y；Ienx，y＝Rcx，y·Lenx，y，c∈{r，g，b}用暗光增强算法对数据集进行暗光增强后，对改进的YOLOv5网络进行训练。

全文数据：

权利要求：

百度查询： 南京工业大学 基于航空发动机孔探裂纹检测轻量化部署方法