摘要
摘要:本文提出了一种基于改进深度学习模型的航空发动机叶片缺陷检测方法。系统采用模块化架构,包括图像采集、数据预处理、深度学习检测和结果输出四个功能模块。在深度学习模型设计上,以ResNet50为骨干网络,引入双重注意力机制和改进的特征金字塔结构,提升了模型对缺陷特征的提取能力。实验在包含2000张叶片图像的数据集上进行,结果表明该方法在四类典型缺陷(裂纹、腐蚀、磨损和凹坑)的检测中取得了94.8%的平均检测准确率,优于现有的Faster R-CNN、YOLOv5和RetinaNet等检测算法。该方法在保证检测精度的同时,实现了75毫秒/张的处理速度,满足实时检测需求,为提高航空发动机叶片检测的自动化水平提供了有效解决方案。
出版日期
2025年01月23日(期刊网平台首次上网日期,不代表论文的发表时间)