[发明专利]一种采用基于ConvLSTM的视频编解码器的航空发动机火星检测方法

说明书

一种采用基于ConvLSTM的视频编解码器的航空发动机火星检测方法，包括：1)生成多种不同形态的火星灰度图像，处理后生成数据集并训练模型；2)对异常火星检测：获取9帧图像序列，对每张图像预处理；图像序列分为4组图像子序列，由运动感知编码器编码，得到4个时空上下文向量；干扰亮线段编码器提取前三组图像中长时存在的干扰亮线段深度时空特征图；解码器融合第四组图像子序列对应的时空上下文向量与干扰亮线段深度时空特征图并解码得到可以区分火星和干扰亮线段的时空非线性深度特征图；检测时空非线性深度特征图中的火星特征。若包含可疑火星特征，则输出所有可疑火星位置并进行报警。该方法准确可靠，鲁棒性强。

技术领域

本发明属于发动机检测技术领域，特别涉及一种采用基于ConvLSTM的视频编解码器的航空发动机火星检测方法。

背景技术

航空发动机在点火试验过程中，可能会发生喷射火星的异常现象，该现象产生的原因是航空发动机内部产生的白炽热点被高速的气流带出燃烧室。而白炽热点可能是由燃烧室内部传热性能较差积碳在高温高压环境下形成，也可能是由于航空发动机内部出现了结构性的损害，破损的结构在高温高压下的环境下产生了白炽热点。因此，航空发动机试验过程中火星异常的出现往往是航空发动机性能、结构或者运行不稳定的体现。如何有效地从监控视频中检测火星并及时报警，被认为是航空发动机试验智能检测需解决的关键问题之一，实现对航空发动机试验过程中火星异常的有效智能检测，可以解放人力资源，促进航空发动机试验技术的发展。

航空发动机产生的异常火星，在不同的情况下具有不同的形态，如椭圆、线段形状等。虽然火星的形态特征非常明显，但却非常普遍。在经典目标检测深度学习网络的特征提取过程中，火星被提取特征通常表现为亮点、亮线段，而由于航空发动机试验舱内部结构的复杂性和运行场景的多样性，检测场景中会出现晃动的线缆、振动的发动机身、反光的金属叶片等物体边缘产生的同样为亮点或亮线段的特征。因此，直接使用传统目标检测深度学习网络进行航空发动机火星检测会导致过检测，不具有实用性。

目前，在经典目标检测深度学习领域，针对航空发动机试验火星异常检测并没有有效的解决办法。经典的目标检测深度学习网络在检测航空发动机高速喷射的椭圆、线段形状等不同形态的火星时会发生过检测现象，其根本原因在于这些网络的输入仅为一张图像，无法获取复杂环境中航空发动机试验视频数据的相关时空序列中的深层非线性相关特征和时空依赖特征，难以正确鉴别场景中火星和产生干扰亮线段的物体边缘。此外，由于航空发动机故障较少，获取数据集困难，且真实场景下搜集的火星数据往往颜色、形态存在局限性，难以涵盖火星所有的颜色特征与形态特征，数据集的稀缺以及数据集包涵特征的片面也导致数据驱动型的深度学习网络难以在真实航空发动机试验中部署。

近年来随着深度学习网络在机器视觉领域的崛起，其深度卷积神经网络可以通过反向传播算法自动训练更新网络的权重，用于学习提取相关的图像特征，在目标检测、目标识别和目标分割领域中得到了极广泛的应用，成为尖端科研领域、工业应用领域的主流框架。

实验中，采用雨滴形态纹理生成建模算法生成火星的方法在模拟实际情况下的航空发动机火星异常时取得了良好效果。通过该算法生成了椭圆、线段状等650种不同的火星，通过灰度图像变换、放大缩小、旋转等，增加了其形态的多样性与真实性，极大地还原了真实情况下火星的形态特点，生成的仿真航空发动机试验异常数据集可以训练出高精度和高鲁棒性的航空发动机火星检测模型；虽然LSTM已被证明是学习时序数据长时依赖特征的有效模型，但其也仅局限于学习一维向量之间相关时间特征，难以解决空间数据冗余性的问题。

发明内容