[发明专利]一种基于深度学习的飞机发动机叶片缺陷识别诊断系统及方法

权利要求书

1.一种基于深度学习的飞机发动机叶片缺陷识别诊断方法，其特征在于，包括：

获取目标叶片模拟图像信息、且将目标叶片模拟图像信息发送至转换单元；

转换单元进行图像预处理、且将其转换为数字图像信息，同时目标叶片将数字图像信息传输至控制单元；

控制单元进行图像拼接并进行缺陷识别诊断，同时诊断结果进行输出且进行保存至数据库单元；

数据库单元根据诊断结果进行分析并进行通过卷积神经网路进行学习，分析缺陷的类型以及识别方法，从而进行组合成新的缺陷的类型以及识别方法。

2.根据权利要求1所述的一种基于深度学习的飞机发动机叶片缺陷识别诊断方法，其特征在于，通过转换单元图像预处理、且将其转换为数字图像，具体方法如下：

获取多张目标叶片模拟图像信息；

将目标叶片空间模拟图像进行转换为目标叶片空间数字图像；

进行每一张标叶片空间数字图像去噪、增强、分割和边界提取；

进行图像融合，得到目标叶片空间图像；

输出目标叶片空间图像。

3.根据权利要求2所述的一种基于深度学习的飞机发动机叶片缺陷识别诊断方法，其特征在于，上述方法中进行每一张图像去噪、增强、分割和边界提取的具体方法如下：

通过将获取的多张目标叶片数字图像运用滑动窗口，对滑动窗口内所有像素点的像素值排序，且对像素点的像素值进行采用卷积的方式，从而完成图像平滑，实现噪声滤波；

对图像中的细节区域采用灰度系数增强手段，进行将滤波后的图像像素灰度值与原始图像像素的灰度值之间增强数倍；

对经过图像增强处理后的目标叶片图像设定合理的灰度阈值，根据灰度值的大小是否在给定的阈值中，进而完成图像分割，提取目标叶片图像中的特征细节；

对图像中特征区域从背景中提取出来，从而完成提取目标叶片图像中的特征。

4.根据权利要求2所述的一种基于深度学习的飞机发动机叶片缺陷识别诊断方法，其特征在于，进行图像融合，得到目标叶片空间图像的具体方法图下：

依次进行每张图片的颜色空间转换；

对多幅图像进行图像配准；

通过对完成图像配准确定目标叶片的空间变换关系，进行特征融合，

最后进各幅图像重叠区域的拼接，形成三维图像，进而得到目标叶片空间图像并输出。

5.根据权利要求4所述的一种基于深度学习的飞机发动机叶片缺陷识别诊断方法，其特征在于，上述方法中对多幅图像进行特征融合具体方法如下：

从多幅图像中挑选两幅图像，并设两幅图像的重叠区域的长度；

确定两幅图像的灰度权重；即加入灰度权重分配因子来确定两幅图像的灰度权重；

进行图像融合，并确定重叠区域的像素灰度值；

根据灰度权重分配因子来确定融合图像，灰度权重分配因子的值取0时，图像为第二幅图像，灰度权重分配因子的值为1时，图像为第一幅图像；具体公式如下：

式中，表示灰度权重分配因子，和表示两幅图像的重叠区域沿X 轴的最大值和最小值；L表示重叠区域的像素灰度值，表示第一幅图像的重叠区域的像素灰度值，表示第二幅图像的重叠区域的像素灰度值。

6.根据权利要求1所述的一种基于深度学习的飞机发动机叶片缺陷识别诊断方法，其特征在于，对图像拼接后的叶片模型进行缺陷识别诊断，同时诊断结果进行输出且进行保存至数据库单元目标缺陷的识别诊断，并输出诊断结果；具体方法如下：

提取目标叶片空间图像的特征点，并与数据库中的叶片类型特征点进行匹配，得到叶片类型型号；

进行提取类型缺陷数据库，进行目标叶片空间图像与类型缺陷数据库进行匹配，进而确定叶片存在的缺陷；

输出缺陷区域报告；同时进行更新缺陷数据库。