CN117011263A - 一种用于火箭子级回收段的缺陷检测方法及装置 - Google Patents
一种用于火箭子级回收段的缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN117011263A CN117011263A CN202310970176.9A CN202310970176A CN117011263A CN 117011263 A CN117011263 A CN 117011263A CN 202310970176 A CN202310970176 A CN 202310970176A CN 117011263 A CN117011263 A CN 117011263A
- Authority
- CN
- China
- Prior art keywords
- defect
- recovery section
- rocket
- defect detection
- related features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 273
- 238000011084 recovery Methods 0.000 title claims abstract description 113
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000011897 real-time detection Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 12
- JCYWCSGERIELPG-UHFFFAOYSA-N imes Chemical class CC1=CC(C)=CC(C)=C1N1C=CN(C=2C(=CC(C)=CC=2C)C)[C]1 JCYWCSGERIELPG-UHFFFAOYSA-N 0.000 description 11
- 239000002245 particle Substances 0.000 description 9
- 238000011176 pooling Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明提供一种用于火箭子级回收段的缺陷检测方法及装置。所述方法包括：获取火箭子级回收段的实时检测数据；将所述实时检测数据输入训练好的缺陷检测模型进行处理，得到缺陷检测结果；所述缺陷检测模型是根据火箭子级回收段的历史传感器数据和历史图像数据训练得到的；根据所述缺陷检测结果，确定火箭子级回收段的缺陷及缺陷类型。本发明的上述方案，通过将火箭子级回收段的实时检测数据输入根据历史传感器数据和历史图像数据训练得到的缺陷检测模型进行处理，可以确定火箭子级回收段的缺陷及缺陷类型，可以提供更全面和准确的缺陷检测结果，具有更高的准确性和可靠性。
Description
技术领域
本发明涉及火箭回收技术领域，特别是指一种用于火箭子级回收段的缺陷检测方法及装置。
背景技术
当前，全球商业航天行业正处于高速发展阶段，开发可重复使用的火箭和航天器，能够提高航天任务的经济性和可靠性。火箭子级回收段是指在火箭发射后，子级(也称为助推器或一级火箭)分离下来，并通过控制和定位系统进行控制，安全地返回地面或回收平台。这种回收技术具有重要的经济和环境效益，可以降低航天运输成本，并减少太空垃圾的产生。然而，火箭子级回收段在高速运行和再入大气层过程中经历了极端的物理环境，可能导致结构的疲劳、热应力和其他损伤。为了确保火箭子级回收段的安全和可靠性，需要实时监测和检测潜在的缺陷，以及对其进行及时维修和维护。现有通常使用传统的机器学习算法或基于规则的方法进行缺陷检测，无法充分挖掘图像中的复杂特征，并且需要手动调整参数和阈值，且无法实时检测，准确性较低。
发明内容
本发明要解决的技术问题是提供一种用于火箭子级回收段的缺陷检测方法及装置，以解决现有的缺陷检测方法存在准确性较低的问题。
为解决上述技术问题，本发明的技术方案如下：
一种用于火箭子级回收段的缺陷检测方法，包括：
获取火箭子级回收段的实时检测数据；
将所述实时检测数据输入训练好的缺陷检测模型进行处理，得到缺陷检测结果；所述缺陷检测模型是根据火箭子级回收段的历史传感器数据和历史图像数据训练得到的；
根据所述缺陷检测结果，确定火箭子级回收段的缺陷及缺陷类型。
进一步地，获取火箭子级回收段的实时检测数据，包括：
实时采集火箭子级回收段的图像数据和传感器数据；
根据所述图像数据和所述传感器数据，确定火箭子级回收段的实时检测数据。
进一步地，所述缺陷检测模型的训练过程包括：
获取火箭子级回收段的历史传感器数据和历史图像数据；
对所述历史传感器数据进行特征提取，得到参数缺陷相关特征；
对所述历史图像数据进行特征提取，得到图像缺陷相关特征；
根据所述参数缺陷相关特征和所述图像缺陷相关特征，确定缺陷相关特征；
将所述缺陷相关特征输入预设网络模型进行缺陷检测，得到缺陷检测模型。
进一步地，根据所述参数缺陷相关特征和所述图像缺陷相关特征，确定缺陷相关特征，包括：
对所述参数缺陷相关特征进行优化和调整，得到优化的参数缺陷相关特征；
对所述图像缺陷相关特征进行优化和调整，得到优化的图像缺陷相关特征；
根据所述优化的参数缺陷相关特征和所述优化的图像缺陷相关特征，得到缺陷相关特征。
进一步地，根据所述缺陷检测结果，确定火箭子级回收段的缺陷及缺陷类型，包括：
根据所述缺陷检测结果，判断火箭子级回收段是否存在缺陷，得到判断结果；
根据所述判断结果，确定火箭子级回收段的缺陷及缺陷类型。
进一步地，还包括：
根据所述火箭子级回收段的缺陷及缺陷类型进行预警。
根据本发明的另一个方面，提供了一种用于火箭子级回收段的缺陷检测装置，包括：
获取模块，用于获取火箭子级回收段的实时检测数据；
处理模块，用于将所述实时检测数据输入训练好的缺陷检测模型进行处理，得到缺陷检测结果；所述缺陷检测模型是根据火箭子级回收段的历史传感器数据和历史图像数据训练得到的；
确定模块，用于根据所述缺陷检测结果，确定火箭子级回收段的缺陷及缺陷类型。
进一步地，所述获取模块包括：
图像数据获取单元，用于实时获取火箭子级回收段的实时图像数据；
传感器数据获取单元，用于实时获取火箭子级回收段的实时传感器数据。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过将火箭子级回收段的实时检测数据输入根据历史传感器数据和历史图像数据训练得到的缺陷检测模型进行处理，可以确定火箭子级回收段的缺陷及缺陷类型，可以提供更全面和准确的缺陷检测结果，具有更高的准确性和可靠性。
附图说明
图1是本发明实施例中的用于火箭子级回收段的缺陷检测方法的步骤图；
图2是本发明实施例中的用于火箭子级回收段的缺陷检测装置的示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种用于火箭子级回收段的缺陷检测方法，包括：
S1、获取火箭子级回收段的实时检测数据；
S2、将所述实时检测数据输入训练好的缺陷检测模型进行处理，得到缺陷检测结果；所述缺陷检测模型是根据火箭子级回收段的历史传感器数据和历史图像数据训练得到的；
S3、根据所述缺陷检测结果，确定火箭子级回收段的缺陷及缺陷类型。
本发明的上述方案，通过将火箭子级回收段的实时检测数据输入根据历史传感器数据和历史图像数据训练得到的缺陷检测模型进行处理，可以确定火箭子级回收段的缺陷及缺陷类型，可以提供更全面和准确的缺陷检测结果，具有更高的准确性和可靠性。
本发明的一可选实施例中，S1，包括：
S11、实时采集火箭子级回收段的图像数据和传感器数据；
S12、根据所述图像数据和所述传感器数据，确定火箭子级回收段的实时检测数据。
使用图像采集设备，如通过摄像头或其他成像设备实时捕获火箭子级回收段的图像数据，使用温度传感器、压力传感器、振动传感器等各类传感器，实时采集火箭子级回收段的温度参数、压力参数、震动参数等物理参数。这些实时的图像数据和传感器数据构成了火箭子级回收段的实时检测数据。
本发明的一可选实施例中，S2中的所述缺陷检测模型的训练过程包括：
S21、获取火箭子级回收段的历史传感器数据和历史图像数据；
S22、对所述历史传感器数据进行特征提取，得到参数缺陷相关特征；
S23、对所述历史图像数据进行特征提取，得到图像缺陷相关特征；
S24、根据所述参数缺陷相关特征和所述图像缺陷相关特征，确定缺陷相关特征；
S25、将所述缺陷相关特征输入预设网络模型进行缺陷检测，得到缺陷检测模型。
可以从火箭相关的数据库中直接获取火箭子级回收段的历史传感器数据和历史图像数据。图像数据可以包括火箭子级回收段各个位置的照片、视频等，传感器数据可以包括各种传感器，如温度传感器、压力传感器、振动传感器等，采集得到的火箭子级回收段的物理参数，如温度参数、压力参数、震动参数等。具体实施时，对获取的历史传感器数据和历史图像数据进行预处理，以确保数据的质量和一致性。
具体实施时，对历史传感器数据进行特征提取，提取出与缺陷相关的特征。提取方式可以是：将历史传感器数据与火箭子级回收段无缺陷的传感器数据进行对比，若存在不一致，则该历史传感器数据属于与缺陷相关的特征，将该历史传感器数据作为参数缺陷相关特征，参数缺陷相关特征中包含了历史传感器数据的类型如压力、振动等，及对应的具体数值。
具体实施时，可以使用深度学习算法通过卷积层、池化层和全连接层的组合，自动学习图像数据中的局部特征，并通过分类器判断箭体是否存在缺陷。并且可以通过大量带有缺陷标注的箭体图像对预设网络模型进行训练，可以学习到有效的特征表示，并能够在实时图像流中快速准确地检测和定位缺陷。将参数缺陷相关特征和图像缺陷相关特征，形成综合的特征表示，作为缺陷相关特征对预设网络模型进行训练和测试，得到用来检测火箭子级回收段是否存在缺陷及缺陷类型的缺陷检测模型。
本发明的一可选实施例中，S24，包括：
对所述参数缺陷相关特征进行优化和调整，得到优化的参数缺陷相关特征；
对所述图像缺陷相关特征进行优化和调整，得到优化的图像缺陷相关特征；
根据所述优化的参数缺陷相关特征和所述优化的图像缺陷相关特征，得到缺陷相关特征。
通过模拟粒子在解空间中的搜索和迭代更新找到最优的参数组合或特征子集，以此对参数缺陷相关特征的权重和图像缺陷相关特征的权重进行优化和调整，得到优化的参数缺陷相关特征和优化的图像缺陷相关特征，从而提高缺陷检测模型的性能、鲁棒性、准确性和效率。
具体实施时，可以将优化的参数缺陷相关特征和优化的图像缺陷相关特征形成综合的特征表示，作为缺陷相关特征。将缺陷相关特征划分为训练集、验证集和测试集，用于预设网络模型的训练和评估。首先，使用训练集对预设网络模型进行训练，通过不断迭代和优化，使预设网络模型的性能逐步提升。使用验证集对预设网络模型进行调优，包括调整参数、选择最佳的特征表示等，以获得最佳的缺陷检测模型。最终使用测试集对缺陷检测模型进行评估和验证，评估缺陷检测模型的性能、准确性和鲁棒性。或缺陷检测结果不符合预期，则重新采集历史传感器数据和历史图像数据进行训练。
具体实施时，对参数缺陷相关特征或者图像缺陷相关特征进行优化和调整，可以通过调整权重和偏置的初始值，生成一组候选解向量。其次，采用差分操作，将这些候选解向量进行交叉和变异，生成新的解向量。接下来，通过比较新解向量的适应度(即预设网络模型在训练集上的误差)，选择适应度更好的解向量作为下一代的候选解向量。这个过程不断迭代，直到达到预定的停止条件。通过以上操作，可以搜索预设网络模型的参数空间，找到更优的参数组合，从而提高缺陷检测模型的性能。
具体实施时，对预设网络模型的训练过程包括：
一、构建模型：
a.卷积操作：
输入图像：火箭子级回收段的箭体图像，大小为$W_{i n}\t imes H_{i n}\times D_{i n}$。
卷积核：用于提取图像特征的卷积核，大小为$F\t imes F\t imes D_{i n}$。
输出特征图：经过卷积操作后得到的特征图，大小为$W_{out}\t imes H_{out}\times D_{out}$。
b.激活函数：
应用激活函数对特征图进行非线性变换，增强特征表示能力。
c.池化操作：
输入特征图：经过激活函数处理后的特征图，大小为$W_{out}\t imes H_{out}\times D_{out}$。
池化核：用于降采样的池化核，大小为$P\t imes P$。
输出池化特征图：经过最大池化操作得到的池化特征图，大小为$W_{poo led}\times H_{poo led}\t imes D_{out}$。
二、对模型相关参数进行优化：
a.初始化粒子群：
粒子数量：$N$，代表个体数量。
粒子维度：$D$，表示每个粒子的维度，即构建的模型的超参数。
初始化粒子的位置和速度：$X_{i}^{0}＝[x_{i,1}^{0},x_{i,2}^{0},...,x_{i,D}^{0}]$，$V_{i}^{0}＝[v_{i,1}^{0},v_{i,2}^{0},...,v_{i,D}^{0}]$。
b.迭代更新粒子位置和速度：
更新速度公式：$V_{i}^{t+1}＝\omega V_{i}^{t}+c_1r_{1}\odot(P_{i}^{t}-X_{i}^{t})+c_2r_{2}\odot(P_{g}^{t}-X_{i}^{t})$。
更新位置公式：$X_{i}^{t+1}＝X_{i}^{t}+V_{i}^{t+1}$。
c.适应度计算：
利用粒子位置计算适应度值，衡量模型性能。
模型训练好后，根据模型得到的检测结果，对火箭子级回收段的箭体图像进行缺陷检测与决策：利用训练好的模型对火箭子级回收段的箭体图像进行缺陷检测，将其作为输入。根据检测结果，进行缺陷判定和分类，以确定是否存在缺陷以及缺陷的类型。可以基于规则、统计模型或其他机器学习算法，根据检测到的缺陷特征和历史数据进行决策，例如判定是否需要修复、替换或排除子级。
可以使用公式将预设网络模型、对模型相关参数进行优化过程和对缺陷检测结果的决策进行融合：
其中，θopt表示优化后的参数配置，包括预设网络模型的权重和偏置参数，以及传感器数据相关的参数，θ表示所有待优化的参数。N表示样本数量，即图像数据的数量。表示损失函数，用于衡量预设网络模型的预测值/>与真实标签yi之间的差异，R(θ)表示正则化项，用于惩罚模型的复杂度，防止过拟合。λ是正则化项的权重，用于平衡损失函数和正则化项的重要性。通过迭代优化，可以找到最优的参数配置，从而达到对火箭子级缺陷检测系统的优化目标。上述公式中各参数值依据火箭子级回收路径规划情况进行配置。
本发明的一可选实施例中，S3，包括：
S31、根据所述缺陷检测结果，判断火箭子级回收段是否存在缺陷，得到判断结果；
S32、根据所述判断结果，确定火箭子级回收段的缺陷及缺陷类型。
缺陷检测结果包括火箭子级回收段不存在缺陷，或者检测到缺陷特征如存在缺陷的箭体图像、传感器类型和具体数据等。
本发明的一可选实施例中，所述缺陷检测方法还包括：
S4、根据所述火箭子级回收段的缺陷及缺陷类型进行预警。
若检测到存在缺陷，则根据检测到的缺陷和缺陷类型和火箭子级回收段的历史相关数据(如历史上存在该种缺陷类型时，对应的处理和操作)，以此编辑预警信息，提醒相关人员对相关缺陷进行修复、替换或排除子级。
如图2，本发明实施例提供了一种用于火箭子级回收段的缺陷检测装置，包括：
获取模块，用于获取火箭子级回收段的实时检测数据；
处理模块，用于将所述实时检测数据输入训练好的缺陷检测模型进行处理，得到缺陷检测结果；所述缺陷检测模型是根据火箭子级回收段的历史传感器数据和历史图像数据训练得到的；
确定模块，用于根据所述缺陷检测结果，确定火箭子级回收段的缺陷及缺陷类型。
本发明的上述方案，通过将火箭子级回收段的实时检测数据输入根据历史传感器数据和历史图像数据训练得到的缺陷检测模型进行处理，可以确定火箭子级回收段的缺陷及缺陷类型，可以提供更全面和准确的缺陷检测结果，具有更高的准确性和可靠性。
本发明的一可选实施例中，所述获取模块包括：
图像数据获取单元，用于实时获取火箭子级回收段的实时图像数据；
传感器数据获取单元，用于实时获取火箭子级回收段的实时传感器数据。
使用图像采集设备，如通过摄像头或其他成像设备实时捕获火箭子级回收段的图像数据，使用温度传感器、压力传感器、振动传感器等各类传感器，实时采集火箭子级回收段的温度参数、压力参数、震动参数等物理参数。这些实时的图像数据和传感器数据构成了火箭子级回收段的实时检测数据。
本发明的一可选实施例中，获取模块，具体用于：
实时采集火箭子级回收段的图像数据和传感器数据；
根据所述图像数据和所述传感器数据，确定火箭子级回收段的实时检测数据。
本发明的一可选实施例中，所述缺陷检测模型的训练过程包括：
获取火箭子级回收段的历史传感器数据和历史图像数据；
对所述历史传感器数据进行特征提取，得到参数缺陷相关特征；
对所述历史图像数据进行特征提取，得到图像缺陷相关特征；
根据所述参数缺陷相关特征和所述图像缺陷相关特征，确定缺陷相关特征；
将所述缺陷相关特征输入预设网络模型进行缺陷检测，得到缺陷检测模型。
可以从火箭相关的数据库中直接获取火箭子级回收段的历史传感器数据和历史图像数据。图像数据可以包括火箭子级回收段各个位置的照片、视频等，传感器数据可以包括各种传感器，如温度传感器、压力传感器、振动传感器等，采集得到的火箭子级回收段的物理参数，如温度参数、压力参数、震动参数等。具体实施时，对获取的历史传感器数据和历史图像数据进行预处理，以确保数据的质量和一致性。
具体实施时，对历史传感器数据进行特征提取，提取出与缺陷相关的特征。提取方式可以是：将历史传感器数据与火箭子级回收段无缺陷的传感器数据进行对比，若存在不一致，则该历史传感器数据属于与缺陷相关的特征，将该历史传感器数据作为参数缺陷相关特征，参数缺陷相关特征中包含了历史传感器数据的类型如压力、振动等，及对应的具体数值。
具体实施时，可以使用深度学习算法通过卷积层、池化层和全连接层的组合，自动学习图像数据中的局部特征，并通过分类器判断箭体是否存在缺陷。并且可以通过大量带有缺陷标注的箭体图像对预设网络模型进行训练，可以学习到有效的特征表示，并能够在实时图像流中快速准确地检测和定位缺陷。将参数缺陷相关特征和图像缺陷相关特征，形成综合的特征表示，作为缺陷相关特征对预设网络模型进行训练和测试，得到用来检测火箭子级回收段是否存在缺陷及缺陷类型的缺陷检测模型。
本发明的一可选实施例中，所述缺陷检测模型的训练过程，还包括：
对所述参数缺陷相关特征进行优化和调整，得到优化的参数缺陷相关特征；
对所述图像缺陷相关特征进行优化和调整，得到优化的图像缺陷相关特征；
根据所述优化的参数缺陷相关特征和所述优化的图像缺陷相关特征，得到缺陷相关特征。
通过模拟粒子在解空间中的搜索和迭代更新找到最优的参数组合或特征子集，以此对参数缺陷相关特征的权重和图像缺陷相关特征的权重进行优化和调整，得到优化的参数缺陷相关特征和优化的图像缺陷相关特征，从而提高缺陷检测模型的性能、鲁棒性、准确性和效率。
具体实施时，可以将优化的参数缺陷相关特征和优化的图像缺陷相关特征形成综合的特征表示，作为缺陷相关特征。将缺陷相关特征划分为训练集、验证集和测试集，用于预设网络模型的训练和评估。首先，使用训练集对预设网络模型进行训练，通过不断迭代和优化，使预设网络模型的性能逐步提升。使用验证集对预设网络模型进行调优，包括调整参数、选择最佳的特征表示等，以获得最佳的缺陷检测模型。最终使用测试集对缺陷检测模型进行评估和验证，评估缺陷检测模型的性能、准确性和鲁棒性。或缺陷检测结果不符合预期，则重新采集历史传感器数据和历史图像数据进行训练。
具体实施时，对参数缺陷相关特征或者图像缺陷相关特征进行优化和调整，可以通过调整权重和偏置的初始值，生成一组候选解向量。其次，采用差分操作，将这些候选解向量进行交叉和变异，生成新的解向量。接下来，通过比较新解向量的适应度(即预设网络模型在训练集上的误差)，选择适应度更好的解向量作为下一代的候选解向量。这个过程不断迭代，直到达到预定的停止条件。通过以上操作，可以搜索预设网络模型的参数空间，找到更优的参数组合，从而提高缺陷检测模型的性能。
本发明的一可选实施例中，确定模块，具体用于：
根据所述缺陷检测结果，判断火箭子级回收段是否存在缺陷，得到判断结果；
根据所述判断结果，确定火箭子级回收段的缺陷及缺陷类型。
缺陷检测结果包括火箭子级回收段不存在缺陷，或者检测到缺陷特征如存在缺陷的箭体图像、传感器类型和具体数据等。
本发明的一可选实施例中，所述缺陷检测装置还包括：
预警模块，用于根据所述火箭子级回收段的缺陷及缺陷类型进行预警。
若检测到存在缺陷，则根据检测到的缺陷和缺陷类型和火箭子级回收段的历史相关数据(如历史上存在该种缺陷类型时，对应的处理和操作)，以此编辑预警信息，提醒相关人员对相关缺陷进行修复、替换或排除子级。
本发明实施例还提供了一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上述实施例中所述的方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储指令，当所述指令在计算机上运行时，使得计算机执行如上述实施例中所述的方法。
本发明用于火箭子级回收段的缺陷检测方法及装置，可以自动学习图像特征，并自动调整模型参数和阈值，以提高缺陷检测的准确性和稳定性。同时该方法及装置具有高效的性能，可以处理大量的图像数据并实现实时监测和快速响应缺陷情况。并且通过自动学习图像特征，具有更高的通用性和适应性，能够应对各种类型的缺陷。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种用于火箭子级回收段的缺陷检测方法，其特征在于，包括：
获取火箭子级回收段的实时检测数据；
将所述实时检测数据输入训练好的缺陷检测模型进行处理，得到缺陷检测结果；所述缺陷检测模型是根据火箭子级回收段的历史传感器数据和历史图像数据训练得到的；
根据所述缺陷检测结果，确定火箭子级回收段的缺陷及缺陷类型。
2.根据权利要求1所述的用于火箭子级回收段的缺陷检测方法，其特征在于，获取火箭子级回收段的实时检测数据，包括：
实时采集火箭子级回收段的图像数据和传感器数据；
根据所述图像数据和所述传感器数据，确定火箭子级回收段的实时检测数据。
3.根据权利要求2所述的用于火箭子级回收段的缺陷检测方法，其特征在于，所述缺陷检测模型的训练过程包括：
获取火箭子级回收段的历史传感器数据和历史图像数据；
对所述历史传感器数据进行特征提取，得到参数缺陷相关特征；
对所述历史图像数据进行特征提取，得到图像缺陷相关特征；
根据所述参数缺陷相关特征和所述图像缺陷相关特征，确定缺陷相关特征；
将所述缺陷相关特征输入预设网络模型进行缺陷检测，得到缺陷检测模型。
4.根据权利要求3所述的用于火箭子级回收段的缺陷检测方法，其特征在于，根据所述参数缺陷相关特征和所述图像缺陷相关特征，确定缺陷相关特征，包括：
对所述参数缺陷相关特征进行优化和调整，得到优化的参数缺陷相关特征；
对所述图像缺陷相关特征进行优化和调整，得到优化的图像缺陷相关特征；
根据所述优化的参数缺陷相关特征和所述优化的图像缺陷相关特征，得到缺陷相关特征。
5.根据权利要求3所述的用于火箭子级回收段的缺陷检测方法，其特征在于，根据所述缺陷检测结果，确定火箭子级回收段的缺陷及缺陷类型，包括：
根据所述缺陷检测结果，判断火箭子级回收段是否存在缺陷，得到判断结果；
根据所述判断结果，确定火箭子级回收段的缺陷及缺陷类型。
6.根据权利要求5所述的用于火箭子级回收段的缺陷检测方法，其特征在于，还包括：
根据所述火箭子级回收段的缺陷及缺陷类型进行预警。
7.一种用于火箭子级回收段的缺陷检测装置，其特征在于，包括：
获取模块，用于获取火箭子级回收段的实时检测数据；
处理模块，用于将所述实时检测数据输入训练好的缺陷检测模型进行处理，得到缺陷检测结果；所述缺陷检测模型是根据火箭子级回收段的历史传感器数据和历史图像数据训练得到的；
确定模块，用于根据所述缺陷检测结果，确定火箭子级回收段的缺陷及缺陷类型。
8.根据权利要求7所述的用于火箭子级回收段的缺陷检测装置，其特征在于，所述获取模块包括：
图像数据获取单元，用于实时获取火箭子级回收段的实时图像数据；
传感器数据获取单元，用于实时获取火箭子级回收段的实时传感器数据。
9.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310970176.9A CN117011263B (zh) | 2023-08-03 | 一种用于火箭子级回收段的缺陷检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310970176.9A CN117011263B (zh) | 2023-08-03 | 一种用于火箭子级回收段的缺陷检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117011263A true CN117011263A (zh) | 2023-11-07 |
| CN117011263B CN117011263B (zh) | 2024-05-10 |
Family
ID=
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
| CN110689539A (zh) * | 2019-11-12 | 2020-01-14 | 南京大学 | 一种基于深度学习的工件表面缺陷检测方法 |
| US20200166909A1 (en) * | 2018-11-20 | 2020-05-28 | Relativity Space, Inc. | Real-time adaptive control of manufacturing processes using machine learning |
| CN112232400A (zh) * | 2020-10-12 | 2021-01-15 | 太原科技大学 | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 |
| CN113138589A (zh) * | 2021-03-12 | 2021-07-20 | 深圳智造谷工业互联网创新中心有限公司 | 工业设备控制方法、电子装置及存储介质 |
| CN113421263A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 零件缺陷检测方法、设备、介质及计算机程序产品 |
| CN114463329A (zh) * | 2022-04-12 | 2022-05-10 | 苏芯物联技术(南京)有限公司 | 一种图像与时序数据融合的焊接缺陷检测方法及系统 |
| CN114926428A (zh) * | 2022-05-12 | 2022-08-19 | 中北大学 | 一种缺陷检测方法及系统 |
| CN115131330A (zh) * | 2022-07-15 | 2022-09-30 | 北京铁科英迈技术有限公司 | 多源传感器融合的钢轨表面缺陷检测与测量方法及系统 |
| US20220318667A1 (en) * | 2021-03-30 | 2022-10-06 | Accenture Global Solutions Limited | Intelligent real-time defect prediction, detection, and ai driven automated correction solution |
| CN115564950A (zh) * | 2022-09-29 | 2023-01-03 | 中北大学 | 基于深度学习的小样本火箭弹粘接缺陷检测方法 |
| CN115562314A (zh) * | 2022-10-19 | 2023-01-03 | 航天科工火箭技术有限公司 | 运载火箭子级落区控制方法、系统、介质及计算机设备 |
| CN115690070A (zh) * | 2022-11-10 | 2023-02-03 | 西北工业大学 | 一种火箭发动机燃烧室缺陷智能判读方法 |
| DE102021211610A1 (de) * | 2021-10-14 | 2023-04-20 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Trainieren eines neuronalen Lernmodells zum Detektieren von Produktionsfehlern |
| CN116106404A (zh) * | 2023-04-11 | 2023-05-12 | 东方空间技术(山东)有限公司 | 一种火箭子级回收箭体缺陷检测系统及方法 |
| CN116429206A (zh) * | 2023-05-25 | 2023-07-14 | 上海宇航系统工程研究所 | 基于电容层析成像技术的火箭液位测量系统 |
| CN116499359A (zh) * | 2023-04-12 | 2023-07-28 | 上海航天精密机械研究所 | 一种运载火箭舱段智能化检测方法 |
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
| US20200166909A1 (en) * | 2018-11-20 | 2020-05-28 | Relativity Space, Inc. | Real-time adaptive control of manufacturing processes using machine learning |
| CN110689539A (zh) * | 2019-11-12 | 2020-01-14 | 南京大学 | 一种基于深度学习的工件表面缺陷检测方法 |
| CN112232400A (zh) * | 2020-10-12 | 2021-01-15 | 太原科技大学 | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 |
| CN113138589A (zh) * | 2021-03-12 | 2021-07-20 | 深圳智造谷工业互联网创新中心有限公司 | 工业设备控制方法、电子装置及存储介质 |
| US20220318667A1 (en) * | 2021-03-30 | 2022-10-06 | Accenture Global Solutions Limited | Intelligent real-time defect prediction, detection, and ai driven automated correction solution |
| CN113421263A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 零件缺陷检测方法、设备、介质及计算机程序产品 |
| DE102021211610A1 (de) * | 2021-10-14 | 2023-04-20 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Trainieren eines neuronalen Lernmodells zum Detektieren von Produktionsfehlern |
| CN114463329A (zh) * | 2022-04-12 | 2022-05-10 | 苏芯物联技术(南京)有限公司 | 一种图像与时序数据融合的焊接缺陷检测方法及系统 |
| CN114926428A (zh) * | 2022-05-12 | 2022-08-19 | 中北大学 | 一种缺陷检测方法及系统 |
| CN115131330A (zh) * | 2022-07-15 | 2022-09-30 | 北京铁科英迈技术有限公司 | 多源传感器融合的钢轨表面缺陷检测与测量方法及系统 |
| CN115564950A (zh) * | 2022-09-29 | 2023-01-03 | 中北大学 | 基于深度学习的小样本火箭弹粘接缺陷检测方法 |
| CN115562314A (zh) * | 2022-10-19 | 2023-01-03 | 航天科工火箭技术有限公司 | 运载火箭子级落区控制方法、系统、介质及计算机设备 |
| CN115690070A (zh) * | 2022-11-10 | 2023-02-03 | 西北工业大学 | 一种火箭发动机燃烧室缺陷智能判读方法 |
| CN116106404A (zh) * | 2023-04-11 | 2023-05-12 | 东方空间技术(山东)有限公司 | 一种火箭子级回收箭体缺陷检测系统及方法 |
| CN116499359A (zh) * | 2023-04-12 | 2023-07-28 | 上海航天精密机械研究所 | 一种运载火箭舱段智能化检测方法 |
| CN116429206A (zh) * | 2023-05-25 | 2023-07-14 | 上海宇航系统工程研究所 | 基于电容层析成像技术的火箭液位测量系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张波 等: "固体火箭发动机健康监测系统及其关键技术研究", 《舰船电子工程》, vol. 33, no. 10, 31 October 2013 (2013-10-31), pages 94 - 97 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| CN110648305B (zh) | 工业图像检测方法、系统与计算机可读记录介质 | |
| CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
| CN115731164A (zh) | 基于改进YOLOv7的绝缘子缺陷检测方法 | |
| CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
| US11954923B2 (en) | Method for rating a state of a three-dimensional test object, and corresponding rating system | |
| CN111079822A (zh) | 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法 | |
| CN114565579A (zh) | 一种基于深度学习的飞机蒙皮表面损伤检测方法及系统 | |
| Tripicchio et al. | Welding defect detection: Coping with artifacts in the production line | |
| CN113888485A (zh) | 一种基于深度学习的磁芯表面缺陷的检测方法 | |
| CN111242144A (zh) | 电网设备异常的检测方法和装置 | |
| Chu et al. | Learning semantics-guided visual attention for few-shot image classification | |
| CN113570007B (zh) | 零件缺陷识别模型构建优化方法、装置、设备及存储介质 | |
| CN111382709A (zh) | 一种基于无人机巡检的绝缘子图像检测方法 | |
| CN116258175A (zh) | 一种基于主动学习的焊缝缺陷智能识别模型进化方法 | |
| US11663815B2 (en) | System and method for inspection of heat recovery steam generator | |
| KR102360769B1 (ko) | 시편의 검사를 위한 알고리즘 모듈들의 자동 선택 | |
| Alfaz et al. | Bridge crack detection using dense convolutional network (densenet) | |
| CN117011263B (zh) | 一种用于火箭子级回收段的缺陷检测方法及装置 | |
| Reghukumar et al. | Vision based segmentation and classification of cracks using deep neural networks | |
| CN117541534A (zh) | 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法 | |
| CN117011263A (zh) | 一种用于火箭子级回收段的缺陷检测方法及装置 | |
| Thakkallapally | Defect classification from weld radiographic images using VGG-19 based convolutional neural network | |
| Żarski et al. | KrakN: Transfer Learning framework for thin crack detection in infrastructure maintenance | |
| Artan et al. | Car damage analysis for insurance market using convolutional neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 264000 No.1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province Applicant after: Dongfang space technology (Shandong) Co.,Ltd. Applicant after: Dongfang Space (Jiangsu) Aerospace Power Co.,Ltd. Applicant after: Oriental space technology (Beijing) Co.,Ltd. Applicant after: Orient Space (Hainan) Technology Co.,Ltd. Address before: 264000 No.1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province Applicant before: Dongfang space technology (Shandong) Co.,Ltd. Country or region before: China Applicant before: Oriental space technology (Beijing) Co.,Ltd. Country or region before: China Applicant before: Dongfang Space (Jiangsu) Aerospace Power Co.,Ltd. Applicant before: Orient Space (Hainan) Technology Co.,Ltd. Country or region after: China Address after: 264000 No.1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province Applicant after: Dongfang space technology (Shandong) Co.,Ltd. Applicant after: Oriental space technology (Beijing) Co.,Ltd. Applicant after: Dongfang Space (Jiangsu) Aerospace Power Co.,Ltd. Applicant after: Orient Space (Hainan) Technology Co.,Ltd. Address before: 264000 No.1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province Applicant before: Dongfang space technology (Shandong) Co.,Ltd. Country or region before: China Applicant before: Oriental space technology (Beijing) Co.,Ltd. Applicant before: Oriental space (Xi'an) Aerospace Technology Co.,Ltd. Applicant before: Orient Space (Hainan) Technology Co.,Ltd. |
|
| GR01 | Patent grant |