公开(公告)号：CN115965598B

公开(公告)日：2025-04-18

申请号：CN202211685325.9

申请日：2022-12-27

Applicant: 中国民用航空飞行学院

Inventor： 夏正洪 ,  魏汝祥 ,  吴建军 ,  何琥

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/766 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明公开了一种基于深度学习的航空铆钉分类及异常检测方法，包括如下步骤：步骤一、采集航空铆钉图像数据，并对图像数据进行预处理；步骤二、对航空铆钉图像数据进行目标框类别标注和数据增强处理；步骤三、采用迁移训练加冻结训练的方式对航空铆钉分类及异常检测模型进行训练；步骤四、采用以DarkNet‑53结构为基线的卷积神经网络为主干网络提取特征进行神经网络推理，以Focus层、跨阶段局部网络层、空间金字塔池化结构模块、上采样层、连接层作为颈部网络来进行特征融合，最后使用解耦检测头生成检测结果。与现有技术相比，本发明的积极效果是：本发明的航空铆钉分类及异常目标检测精度和速度均有绝对的优势。

公开(公告)号：CN115965598A

公开(公告)日：2023-04-14

申请号：CN202211685325.9

申请日：2022-12-27

Applicant: 中国民用航空飞行学院

Inventor： 夏正洪 ,  魏汝祥 ,  吴建军 ,  何琥

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/766 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明公开了一种基于深度学习的航空铆钉分类及异常检测方法，包括如下步骤：步骤一、采集航空铆钉图像数据，并对图像数据进行预处理；步骤二、对航空铆钉图像数据进行目标框类别标注和数据增强处理；步骤三、采用迁移训练加冻结训练的方式对航空铆钉分类及异常检测模型进行训练；步骤四、采用以DarkNet‑53结构为基线的卷积神经网络为主干网络提取特征进行神经网络推理，以Focus层、跨阶段局部网络层、空间金字塔池化结构模块、上采样层、连接层作为颈部网络来进行特征融合，最后使用解耦检测头生成检测结果。与现有技术相比，本发明的积极效果是：本发明的航空铆钉分类及异常目标检测精度和速度均有绝对的优势。