[发明专利]航空器异常检测系统及其异常检测方法

说明书

本发明涉及一种航空器异常检测系统，该系统包括特征提取模型和改进的YOLOv3检测器；所述的特征提取模型包含三层，第1、2层均包括一个卷积运算单元、一个最大池化单元和一个非线性变换单元，第3层仅包含一个卷积运算单元；第1层的卷积运算单元包含32个3×3的卷积核，第2、第3层的卷积运算单元包含64个3×3的卷积核；第1、2层的最大池化单元均采用2×2的池化窗口，非线性变换单元均采用ReLU作为非线性激活函数进行非线性变换；改进的YOLOv3检测器针对小目标图像样本通过聚类算法产生3个锚框进行目标检测，得到故障坐标、故障类型、故障存在概率信息。本发明提高了模型运算效率及检测准确率。

技术领域

本发明属于航空器异常检测技术领域，涉及一种航空器异常检测系统。

背景技术

中国专利公报公开的“信息化民用航空器维修信息系统”，该系统将所有机场发生的故障信息及对应的维修方法信息都储存在数据库中，各机场可通过客户端查阅数据库快速获得前人排故经验，提高排故速度；同时可以将本机场新的排故经验存储到数据库与其他机场分享；该系统虽然能够提高信息时效性，但是航空器异常需要通过技术人员进行主观判断，缺点是不同放行人员对同一飞机进行检查结果存在较大差异，仅靠目视检查的方式极易出现漏检。

发明内容

本发明要解决的技术问题是提供一种检测效率高、准确性好的航空器异常检测系统。

为了解决上述技术问题，本发明的航空器异常检测系统包括特征提取模型和改进的YOLOv3检测器；

所述的特征提取模型包含三层，第1、2层均包括一个卷积运算单元、一个最大池化单元和一个非线性变换单元，第3层仅包含一个卷积运算单元；第1层的卷积运算单元包含32个3×3的卷积核，第2、第3层的卷积运算单元包含64个3×3的卷积核；第1、2层的最大池化单元均采用2×2的池化窗口，非线性变换单元均采用ReLU作为非线性激活函数进行非线性变换；改进的YOLOv3检测器针对小目标图像样本通过聚类算法产生3个锚框进行目标检测，得到故障坐标、故障类型、故障存在概率信息。

进一步，本发明还包括结果可视化模块；结果可视化模块对故障坐标、故障类型、故障存在概率等信息进行可视化处理，最后输出包含了故障坐标、故障类型、故障存在概率信息的图像。

所述的特征提取模型和改进的YOLOv3检测器中的参数经预先训练优化得到，训练优化方法如下：

a.使用智能摄录设备采集绕机视频，并通过便携式终端以网络传输的方式传输给系统服务器；

b.系统服务器通过LabelImg软件对绕机视频进行预处理，在绕机视频图像上标记故障检测目标，生成图像样本；

c.将图像样本数据集分为2部分：训练集和验证集；然后将训练集的图像样本数据输入特征提取模型得到最后一层特征图，再将最后一层特征图输入改进的YOLOv3检测器获得检测结果，将检测结果与真实标记信息进行比较，获得误差信息；利用随机梯度下降算法进行训练，反复优化特征提取模型和改进的YOLOv3检测器的参数，减小误差，最终确定模型权重参数，获得检测模型；利用验证集对所得检测模型进行验证，若验证集检测准确率与训练集检测准确率之差大于5％，则减小训练次数，直至训练集和验证集准确率大于90％，获得训练好的特征提取模型和改进的YOLOv3检测器；其中特征提取模型和改进的YOLOv3检测器中的原始参数均随机选取。

所述的训练集与验证集划分比例为4:1。

利用上述航空器异常检测系统进行航空器异常检测的方法如下：

一、将摄录设备采集的航空器图像数据输入训练好的特征提取模型，航空器图像数据先经过第1层卷积运算单元、最大池化单元及非线性变换单元得到第一特征图，再经过第2层卷积运算单元、最大池化单元及非线性变换单元得到第二特征图；最后经过第3层卷积运算单元得到最后一层特征图；