关键词:
塞斯纳172R飞机
高光谱成像
无损检测
光谱指数
深度学习
数据库
摘要:
塞斯纳172R飞机被广泛应用于飞行训练,然而,长期飞行训练使飞机蒙皮受到气候、飞行应力等各种环境因素的影响,易产生潜在损伤而危及飞行安全。现阶段飞机表面损伤检测仍以人工目视检测为主,其可靠性无法得到保障且时间与人工成本高。近年来出现的基于图像空间特征的无损检测技术,由于依赖大量的高分辨率图像而时效性较差,难以满足实际工作场景的需求,亟需发展新的无损检测技术。
高光谱成像作为一种结合了空间图像与光谱信息的前沿技术,在无损检测应用方面有独特的技术优势,并已在多个重要领域取得了快速进展,但在飞机表面无损检测领域中的研究却很少。为此,本研究以采集的塞斯纳172R飞机蒙皮涂层高光谱数据为着手点,首先开发了一个针对塞斯纳172R飞机蒙皮涂层高光谱数据的数据库系统,在此基础上以数据库中的数据为实验样品,研究了基于光谱指数的决策树分类模型与CNNVIT深度学习模型,最后通过实验数据对两个模型的特点及性能进行了验证。本论文的主要研究结果包括:
1、以Image-λ-N17E高光谱成像仪为核心设备,搭建了室内、外两套塞斯纳172R飞机蒙皮涂层近红外高光谱数据采集系统,并采集了70余个塞斯纳172R飞机机翼原切材料的蒙皮涂层高光谱数据立方和20余个外场飞机蒙皮涂层高光谱数据。
2、在数据采集的基础上,本研究设计具有数据库结构,制定了数据的存储、上传及管理规则,开发了数据查询、数据显示、数据提交以及数据维护功能,并将采集到的数据录入了数据库中,建立了针对于塞斯纳172R飞机蒙皮涂层检测任务的数据库系统。
3、根据塞斯纳172R飞机蒙皮涂层中有损像元与无损像元的参考光谱曲线,构建了三个基于光谱指数ASCI(Ⅰ、Ⅱ、Ⅲ)的决策树模型,对3个蒙皮样品高光谱数据进行全局像元无损检测实验,并利用制图精度、用户精度、总体分类精度和Kappa系数对3个模型性能进行了评价。根据结果显示,基于光谱指数ASCI-Ⅰ的决策树模型识别效果最佳,其全局像元识别结果与实际样品的空间分布基本一致;其对于测试样本集的制图精度、用户精度和总体分类精度均达到了90%以上,Kappa系数均超过了0.88。
4、本研究基于卷积神经网络模型与Transformer模型构建了一个新的深度学习分类模型CNN-VIT。通过2D-CNN、3D-CNN、Transformer和CNN-VIT进行对比试验,对4个蒙皮样品高光谱数据进行全局像元无损检测实验,并利用分类精度、平均精度、总体分类精度和Kappa系数对模型性能进行了评价。结果显示本研究所构建的CNN-VIT识别效果最佳,其全局像元识别结果与实验样品的空间分布基本一致;其分类精度和平均精度均超过了90%,其总体分类精度均超过了96%,Kappa系数均超过了0.92。