基于对抗学习的航空发动机叶片图像缺陷智能检测方法

1.本发明属于航空发动机叶片图像检测技术领域，具体涉及基于对抗学习的航空发动机叶片图像缺陷智能检测方法。


背景技术：

2.目前，针对航空发动机叶片内部缺陷的无损检测方法主要采用传统射线照相术，叶片经射线照相得到胶片图像，检验员在观片灯下进行评片，再根据胶片与原叶片尺寸对应关系确定缺陷的精准位置、尺寸及缺陷类别。由于经验差异、眼睛疲劳、标准理解等人为因素的影响，存在误检/漏检率高、检测效率低及时间成本高等诸多问题。随着人工智能深度学习的飞速发展，基于深度学习的计算机视觉技术在图像识别领域大放异彩。针对航空发动机叶片内部缺陷的智能射线检测方法相继出现，这些方法大多基于有监督学习的深度学习目标检测和实例分割算法，建模过程依赖大量缺陷叶片图像，其繁琐的标签制作工作给航空发动机叶片缺陷智能检测技术的发展和快速应用带来了巨大挑战。
3.cn111978084a公开了一种基于人工智能的航空发动机叶片缺陷快速精准识别方法，利用无缺陷叶片和大量有标记的缺陷叶片图像创建了缺陷初检模型和复检模型，实现了对航空发动机叶片缺陷的快速智能检测识别。cn113313695a公开了一种基于小样本航空发动机叶片ct图像的深度学习缺陷自动检测识别方法，利用少量有缺陷的叶片ct图像创建深度学习缺陷识别模型，实现了对缺陷的自动检测。
4.此类智能化的缺陷检测方法在建模过程中依赖大量缺陷叶片图像，且需要对缺陷进行人工标注，其数据集的创建过程极其繁琐，其建模过程对缺陷样本依赖度高、人工创建缺陷样本集和标签集工作强度大、耗时长，创建的缺陷检测模型精度严重依赖于缺陷样本数量，不利于快速建模和智能缺陷检测技术的快速落地应用。基于此，有必要发展新的航空发动机叶片缺陷检测方法，实现智能化缺陷检测快速建模和落地应用。


技术实现要素：

5.为解决上述技术问题，本发明提出了基于对抗学习的航空发动机叶片图像缺陷智能检测方法，辅助射线检验员评片，克服现有传统射线检测工作强度大、对检验员要求高、检测效率低、误检率高等问题。
6.为实现上述发明目的，本发明所采用的技术方案是：基于对抗学习的航空发动机叶片图像缺陷智能检测方法，包括步骤：
7.s1、搭建带有附加自编码网络的深度卷积生成对抗网络；
8.s2、对发动机叶片图像进行切割；
9.s3、基于所述深度卷积生成对抗网络，构造用于网络训练的总损失函数；
10.s4、将经步骤s1处理后的图片作为输入，以所述总损失函数为目标函数训练，训练所述深度卷积生成对抗网络；
11.s5、从训练好的所述深度网络卷积生成对抗网络中提取生成网络及其权值，构建
用于发动机叶片图像的缺陷检测模型。
12.优选的：所述深度卷积生成对抗网络包括生成网络、附加自编码网络和判别网络；所述生成网络用于重构原始发动机叶片图像；所述附加自编码网络用于编码生成图像潜在特征信息；所述判别网络用于区分真实发动机叶片图像和重构发动机叶片图像。
13.优选的：所述生成网络包括依次连接的卷积编码网络ge和反卷积解码网络gd；所述生成网络后连接所述附加卷积编码网络对重构图像进行多层特征提取和下采样，得到按主要特征描述
14.优选的：所述总损失函数计算式如下：
15.l＝w
con
l
con
+w
enc
l
enc
+w
m-enc
l
m-enc
+w
adv
l
adv
16.式中，l
con
为重构损失；l
enc
为编码损失；l
m-enc
为中间编码损失；l
adv
为判别损失；w
con
为重构损失对应的加权系数；w
enc
为编码损失对应的加权系数；w
m-enc
为中间编码损失对应的加权系数；w
adv
为判别损失对应的加权系数。
17.优选的：重构损失计算式如下：
[0018][0019]
式中，x为输入图像；生成图像；m为每次输入至网络进行训练的图片样本数量；
[0020]
和/或，编码损失计算式如下：
[0021][0022]
式中，z为原始图像的瓶颈特征；为生成图像的瓶颈特征；
[0023]
和/或，中间编码损失计算式如下：
[0024][0025]
式中，t为原始输入图像的中间编码特征；为生成图像的中间编码特征；
[0026]
和/或，将对抗损失作为优化判别网络的目标函数，判别损失计算式如下：
[0027][0028]
优选的：所述步骤s4中，训练过程如下：
[0029]
s41、初始化深度卷积生成对抗网络；
[0030]
s42、冻结判别网络参数，输入一定量训练图片对生成网络和附加自编码网络进行训练；
[0031]
s43、冻结生成网络和附加自编码网络参数，解冻判别网络参数，输入相同数量训练图片对判别网络进行训练；
[0032]
s44、重复步骤s42、s43，直至达到训练终止条件；所述训练终止条件为固定训练轮次数或关于各个子网络损失的变化判定条件。
[0033]
优选的：还包括步骤s6、将待检测发动机叶片图像进行切割，依次将该切割图片输入至所述缺陷检测模型，进行缺陷自动检测。
[0034]
优选的：步骤s6中，缺陷检测模型输出同尺寸的相似重构图片，将输入图片和输出
图片对应像素值计算均方误差，输出带有像素坐标的均方误差，设置缺陷判别阈值，将有像素坐标的均方误差与缺陷判别阈值进行对比，若有像素坐标的均方误差大于等于缺陷判别阈值，则存在缺陷；若有像素坐标的均方误差小于缺陷判别阈值，则无缺陷。
[0035]
相应的：一种电子设备，包括：
[0036]
一个或多个处理器；
[0037]
存储装置，用于存储一个或多个程序；
[0038]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述基于对抗学习的航空发动机叶片图像缺陷智能检测方法。
[0039]
相应的：一种计算机可读介质，所述可读介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于对抗学习的航空发动机叶片图像缺陷智能检测方法。
[0040]
与现有技术相比，本发明具有以下有益效果：
[0041]
通过搭建带有附加自编码网络的深度卷积生成对抗网络；对发动机叶片图像进行切割；基于所述深度卷积生成对抗网络，构造用于网络训练的总损失函数；将处理后的图片作为输入，以所述总损失函数为目标函数训练，训练所述深度卷积生成对抗网络；从训练好的所述深度网络卷积生成对抗网络中提取生成网络及其权值，构建用于发动机叶片图像的缺陷检测模型。无须学习缺陷叶片图像即可构建适用于叶片图像的缺陷检测模型，可对缺陷叶片进行自动检测，给出叶片图像上缺陷所在像素区域。应用本发明的方法可以辅助射线检验员评片，有助于降低检验员视觉疲劳，克服现有传统射线检测工作强度大、对检验员要求高、检测效率低、误检率高等问题，可以提高航空发动机叶片射线检测效率。同时，可以在缺陷样本积累量较少的情况下，克服现有缺陷智能识别方法对缺陷样本依赖度高、人工创建缺陷样本集和标签集工作强度大、耗时长等问题。
附图说明
[0042]
图1为本发明航空发动机叶片图像缺陷智能检测方法的实施流程图；
[0043]
图2为本发明带有附加自编码网络的深度卷积生成对抗网络整体结构图；
[0044]
图3为本发明实施例1步骤三中获取的高压涡轮叶片x-ray示例图；
[0045]
图4为本发明构造的网络模型对应损失图。
具体实施方式
[0046]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
[0047]
如图1-2所示，本发明公开了基于对抗学习的航空发动机叶片图像缺陷智能检测方法，主要包括如下步骤：
[0048]
s1、搭建带有附加自编码网络的深度卷积生成对抗网络。
[0049]
具体地，所述深度卷积生成对抗网络包括生成网络、附加自编码网络和判别网络；所述生成网络用于重构原始发动机叶片图像；所述附加自编码网络用于编码生成图像潜在特征信息；所述判别网络用于区分真实发动机叶片图像和重构发动机叶片图像。
[0050]
如图2所示，所述生成网络g包括依次连接的卷积编码网络ge和反卷积解码网络gd。
卷积自编码网络ge由多组卷积、批归一化和leakyrelu激活函数依次连接而成。卷积自编码网络的最后一层是一个与输入特征图尺寸等大的卷积操作。反卷积解码网络gd包含了与卷积自编码网络相同层数的反卷积和批归一化操作。反卷积的主要作用是对输入特征图进行上采样，使其逐渐恢复到原始输入图像尺寸。反卷积解码网络在每次批归一化操作后采用双曲正切函数对输出数据进行非线性激活。
[0051]
所述生成网络后连接所述附加卷积编码网络对重构图像进行多层特征提取和下采样，得都按主要特征描述在生成网络的训练阶段，通过额外地最小化真实图像潜在特征描述z和生成图像潜在特征描述之间的差距(即编码损失)来优化生成网络的权值参数，以提高生成网络模型对输入图像数据的重构精度。
[0052]
判别网络的输入是真实图像x和重构图像输出是真实图像的概率，用于区分输入图像的真伪。
[0053]
s2、获取发动机叶片图像，对发动机叶片图像进行切割，再对每个切割的叶片局部图片进行上下左右翻转、随机角度旋转、随机明暗调节的数据增强处理。
[0054]
s3、基于所述深度卷积生成对抗网络，构造用于网络训练的总损失函数。基于搭建的带有附加自编码网络的深度卷积生成对抗网络，分别构造重构损失、编码损失、中间编码损失以及判别损失。构造总损失函数定义为这四种损失乘以相应权重系数并求和。
[0055]
所述总损失函数计算式如下：
[0056]
l＝w
con
l
con
+w
enc
l
enc
+w
m-enc
l
m-enc
+w
adv
l
adv
[0057]
式中，l
con
为重构损失；l
enc
为编码损失；l
m-enc
为中间编码损失；l
adv
为判别损失；w
con
为重构损失对应的加权系数；w
enc
为编码损失对应的加权系数；w
m-enc
为中间编码损失对应的加权系数；w
adv
为判别损失对应的加权系数。
[0058]
重构损失计算式如下：
[0059][0060]
式中，x为输入图像；生成图像。m为每次输入至网络进行训练的图片样本数量。
[0061]
编码损失计算式如下：
[0062][0063]
式中，z为原始图像的瓶颈特征；为生成图像的瓶颈特征。
[0064]
中间编码损失计算式如下：
[0065][0066]
式中，t为原始输入图像的中间编码特征；为生成图像的中间编码特征。
[0067]
将对抗损失作为优化判别网络的目标函数，判别损失计算式如下：
[0068][0069]
式中，x为输入图像；生成图像；d(x)表示判别网络对输入数据x进行的数据变换
后的输出结果；表示判别网络对输入数据进行的数据变换后的输出结果。
[0070]
s4、将经步骤s1处理后的图片作为输入，以所述总损失函数为目标函数训练，训练所述深度卷积生成对抗网络，基于自适应动量估计算法adam对网络权值进行训练。训练过程如下：
[0071]
s41、初始化深度卷积生成对抗网络；
[0072]
s42、冻结判别网络参数，输入一定量训练图片对生成网络和附加自编码网络进行训练；
[0073]
s43、冻结生成网络和附加自编码网络参数，解冻判别网络参数，输入相同数量训练图片对判别网络进行训练；
[0074]
s44、重复步骤s42、s43，直至达到训练终止条件；所述训练终止条件为固定训练轮次数或关于各个子网络损失的变化判定条件。
[0075]
s5、从训练好的所述深度网络卷积生成对抗网络中提取生成网络及其权值，构建用于发动机叶片图像的缺陷检测模型。
[0076]
s6、将待检测发动机叶片图像进行切割，依次将该切割图片输入至所述缺陷检测模型，进行缺陷自动检测。
[0077]
具体地，缺陷检测模型输出同尺寸的相似重构图片，将输入图片和输出图片对应像素值计算均方误差，输出带有像素坐标的均方误差，设置缺陷判别阈值，将有像素坐标的均方误差与缺陷判别阈值进行对比，若有像素坐标的均方误差大于等于缺陷判别阈值，则存在缺陷；若有像素坐标的均方误差小于缺陷判别阈值，则无缺陷。
[0078]
本发明还公开了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的基于对抗学习的航空发动机叶片图像缺陷智能检测方法。该实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。
[0079]
本发明还公开了一种计算机可读介质，所述可读介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述的基于对抗学习的航空发动机叶片图像缺陷智能检测方法。本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图1-2所示的方法的程序代码。
[0080]
需要说明的是，本公开的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0081]
在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读
的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0082]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0083]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0084]
实施例1
[0085]
该实施例以发动机涡轮叶片的x-ray图像进行说明。
[0086]
步骤一：搭建带有附加自编码网络的深度卷积生成对抗网络。总体网络结构分为三大部分：
①
用于重构原始涡轮叶片x-ray图像的生成网路；
②
用于编码生成图像潜在特征信息的附加自编码网络；
③
用于区分真实涡轮叶片x-ray图像和重构涡轮叶片x-ray图像的判别网络。带有附加自编码网络的深度卷积生成对抗网络整体结构如图2所示。
[0087]
(1)生成网络
[0088]
生成网络g由一个卷积自编码网络ge和一个反卷积解码网络gd组成，如图2的第一个虚线框所示。卷积自编码网络ge由多组卷积、批归一化和leakyrelu激活函数依次连接而成。卷积自编码网络的最后一层是一个与输入特征图尺寸等大的卷积操作。反卷积解码网络gd与卷积自编码网络首尾相连，其输入是卷积自编码网络的输出，包含了与卷积自编码网络相同层数的反卷积和批归一化操作。反卷积的主要作用是对输入特征图进行上采样，使其逐渐恢复到原始输入图像尺寸。每进行一次反卷积，特征图长宽尺寸增加1倍，多次反卷积后可将特征向量解码为数字图像数据的三维矩阵形式表示。与卷积自编码网络不同的是，反卷积解码网络在每次批归一化操作后采用双曲正切函数对输出数据进行非线性激活。
[0089]
(2)附加编码网络
[0090]
在生成网络之后还连接了一个与卷积自编码网络同结构的编码网络称为附加卷积编码网络，如图2中第2个虚线框所示。该网络作用于重构图像通过类似的卷积编码操作对重构图像进行多层特征提取和下采样得到其主要特征描述在生成网络的训练阶段，通过额外地最小化真实图像潜在特征描述z和生成图像潜在特征描述之间的差距(即编码损失)来优化生成网络的权值参数，以提高生成网络模型对输入图像数据的重构精度。
[0091]
(3)判别网络
[0092]
训练阶段的网络模型除了上述生成网络和附加卷积编码网络以外，还有一个至关重要的判别网络，如图2第3个虚线框所示。该网络是一个标准的7层二分类深度卷积神经网
络，中间的隐层由卷积、激活、批归一化依次连接组成。每个卷积、批归一化和激活顺次连接在一起组成一个卷积层，其中卷积运算的核尺寸为4
×
4、步长为2、padding尺寸为1，激活函数采用leakyrelu，因此该子网络包含一个输入层、五个卷积层和一个输出层。每经过一个卷积层，特征图进行一次下采样，尺寸变为原来的1/2，最后一次卷积层不包含批归一化和leakrelu激活，而卷积核尺寸与输入特征图的长、宽相等，目的是将其映射为一个特征向量而非三维矩阵。判别网络最后经过一个二分类softmax输出层，具体结构见图2。判别网络的输入是真实图像x和重构图像输出是真实图像的概率，用于区分输入图像的真伪。
[0093]
步骤二：对高压涡轮叶片进行计算机射线cr或数字射线dr照相，获取高压涡轮叶片x-ray图像，如图3所示。在整幅x-ray图像上对每个完好的涡轮叶片x-ray图像进行裁取，再对完好叶片x-ray图像按照像素尺寸96
×
96(尺寸为32的倍数，也可为64
×
64、128
×
128等)切割为叶片局部图，之后对每个切割的叶片局部图片进行上下左右翻转、随机角度旋转、随机明暗调节的数据增强处理。
[0094]
步骤三：基于搭建的带有附加自编码网络的深度卷积生成对抗网络，分别构造重构损失、编码损失、中间编码损失以及判别损失。构造总损失函数定义为这四种损失乘以相应权重系数并求和，网络模型对应损失如图4所示。
[0095]
(1)重构损失
[0096]
重构损失表示了输入图像x与生成图像之间的某种距离。重构损失l
con
定义如下：
[0097][0098]
式中，m为每次输入至网络进行训练的图片样本数量。
[0099]
(2)编码损失
[0100]
编码损失是用于优化生成网络权值的一个附加损失。重构损失描述了原始图像和生成图像之间的某种距离，而编码损失描述了原始图像的瓶颈特征z(z＝ge(x))与生成图像的瓶颈特征之间的某种距离。类似于重构损失，定义模型的编码损失l
enc
为
[0101][0102]
(3)中间编码损失
[0103]
中间编码器损失是为了提高生成网络的重构性能而引入的另一种附加损失，定义为原始输入图像的中间编码特征t与生成图像的中间编码特征之间的某种距离。模型的中间编码损失l
m-enc
定义如下：
[0104][0105]
(4)判别损失
[0106]
以上三种损失仅用于对生成网络的权值进行优化。针对判别网路的权值优化，定义对抗损失作为优化判别网络模型的目标函数。对抗损失定义为：
[0107][0108]
最后，定义网络模型的总损失函数(目标函数)为
[0109]
l＝w
con
l
con
+w
enc
l
enc
+w
m-enc
l
m-enc
+w
adv
l
adv
[0110]
上式中，w
con
、w
enc
、w
m-enc
和w
adv
分别为各自对应损失的加权系数，用于调节单个损失对总损失的影响份额，经验值分别为50、1、1和1。
[0111]
步骤四：将步骤二处理后的图片输入至步骤一建立的深度卷积生成对抗网络，以步骤三构造的总损失函数为目标函数，基于自适应动量估计算法adam对网络权值进行训练。
[0112]
训练的具体步骤为：(1)使用he-uniform初始化带附加自编码网络的深度卷积生成对抗网络；(2)冻结判别网络参数，输入batchsize(bachsize可以为32、64、128等值)数量的训练图片对生成网络和附加自编码网络进行训练；(3)冻结生成网络和附加自编码网络参数，解冻判别网络参数，输入相同batchsize数量的训练图片对判别网络进行训练；(4)重复(2)和(3)，直到达到训练终止条件为止，终止条件为固定训练轮次数(根据经验给值一般应大于200)或关于损失的变化判定条件等。(2)和(3)中的训练算法均采用adam默认算法，初始学习率设为1e-4
。
[0113]
步骤五：从训练好的带附加自编码网络的深度卷积生成对抗网络中提取生成网络及其权值，基于生成网络及其权值构建适用于涡轮叶片x-ray图像的缺陷检测模型。
[0114]
步骤六：将待测涡轮叶片x-ray图像进行切割，依次将切割图片输入至缺陷检测模型，输出同尺寸的相似重构图片，将输入图片和输出图片对应像素值计算均方误差，输出带有像素坐标的均方误差，设置缺陷判别阈值(基于重构损失最小值进行设定)，将带有像素坐标的均方误差与缺陷判别阈值进行对比，若存在大于判别阈值的像素则认为该处存在缺陷，否则判别该待测涡轮叶片无缺陷。
[0115]
上述将涡轮叶片x-ray图像输入至缺陷检测模型的具体过程为：
[0116]
首先，涡轮叶片x-ray图像被均匀切割为固定尺寸的局部叶片图像x(x∈rw×h×c)，每幅图像x作为训练样本输入至第一个卷积自编码网络ge，连续经过n层卷积编码，对样本图像x进行特征提取。每层卷积编码依次由核尺寸为4
×
4、卷积步长为2以及padding为1的卷积、批归一化和leakyrelu激活函数连接而成。卷积步长为2，因此每进行一次卷积，图像尺寸变为原来的1/2，卷积后的特征图通道数则扩大一倍，第一次卷积后通道数变为32，之后依次为64、128、256，图2中生成网络结构上方给出了每次卷积和反卷积后的特征图通道数。假设输入训练样本图像x的长、宽均为α，经过n次卷积编码后输出的特征图宽、高则为α/2n。
[0117]
之后对该特征图进行一次步长为1的卷积运算，其中卷积核尺寸与输入特征图尺寸相等，最后输出一个包含主要特征信息的潜在特征向量z，被称为编码特征或生成器网络的瓶颈特征。卷积自编码网络将输入图像数据x映射为一个潜在的特征向量，即z＝ge(x)，该过程是一个对输入图像不断进行特征提取的过程，而最后得到的潜在特征向量则包含了输入图像数据的最主要特征分布信息。卷积自编码网络之后紧接一个反卷积解码网络，用于对编码器输出的潜在特征向量z进行解码，以重构原始输入图像
[0118]
反卷积解码网络由n个反卷积解码层组成，可以看作自编码网络的逆过程。潜在特
征向量z首先经过一个步长为1、卷积核尺寸为α/2n的反卷积运算映射为长、宽尺寸均为α/2n的多通道特征图，之后依次连接n个反卷积解码层。每一个反卷积解码层由步长为2、尺寸为4
×
4的反卷积，批归一化和双曲正切激活函数(tanh)依次连接而成。每经过一次反卷积解码，实现一次上采样，特征图的尺寸变为原来的2倍，直至得到和原始输入图像尺寸一致的重构图像。反卷积解码网络将图像的潜在特征向量z映射为一个重构图像的三维矩阵表示，即
[0119]
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形、变型、修改、替换，均应落入本发明权利要求书确定的保护范围内。

技术特征：
1.基于对抗学习的航空发动机叶片图像缺陷智能检测方法，其特征在于：包括步骤：s1、搭建带有附加自编码网络的深度卷积生成对抗网络；s2、对发动机叶片图像进行切割；s3、基于所述深度卷积生成对抗网络，构造用于网络训练的总损失函数；s4、将经步骤s1处理后的图片作为输入，以所述总损失函数为目标函数训练，训练所述深度卷积生成对抗网络；s5、从训练好的所述深度网络卷积生成对抗网络中提取生成网络及其权值，构建用于发动机叶片图像的缺陷检测模型。2.根据权利要求1所述的基于对抗学习的航空发动机叶片图像缺陷智能检测方法，其特征在于：所述深度卷积生成对抗网络包括生成网络、附加自编码网络和判别网络；所述生成网络用于重构原始发动机叶片图像；所述附加自编码网络用于编码生成图像潜在特征信息；所述判别网络用于区分真实发动机叶片图像和重构发动机叶片图像。3.根据权利要求2所述的基于对抗学习的航空发动机叶片图像缺陷智能检测方法，其特征在于：所述生成网络包括依次连接的卷积编码网络g
e
和反卷积解码网络g
d
；所述生成网络后连接所述附加卷积编码网络对重构图像进行多层特征提取和下采样，得到按主要特征描述4.根据权利要求2所述的基于对抗学习的航空发动机叶片图像缺陷智能检测方法，其特征在于：所述总损失函数计算式如下：l＝w
con
l
con
+w
enc
l
enc
+w
m-enc
l
m-enc
+w
adv
l
adv
式中，l
con
为重构损失；l
enc
为编码损失；l
m-enc
为中间编码损失；l
adv
为判别损失；w
con
为重构损失对应的加权系数；w
enc
为编码损失对应的加权系数；w
m-enc
为中间编码损失对应的加权系数；w
adv
为判别损失对应的加权系数。5.根据权利要求4所述的基于对抗学习的航空发动机叶片图像缺陷智能检测方法，其特征在于：重构损失计算式如下：式中，x为输入图像；生成图像；m为每次输入至网络进行训练的图片样本数量；和/或，编码损失计算式如下：式中，z为原始图像的瓶颈特征；为生成图像的瓶颈特征；和/或，中间编码损失计算式如下：式中，t为原始输入图像的中间编码特征；为生成图像的中间编码特征；和/或，将对抗损失作为优化判别网络的目标函数，判别损失计算式如下：
6.根据权利要求3所述的基于对抗学习的航空发动机叶片图像缺陷智能检测方法，其特征在于：所述步骤s4中，训练过程如下：s41、初始化深度卷积生成对抗网络；s42、冻结判别网络参数，输入一定量训练图片对生成网络和附加自编码网络进行训练；s43、冻结生成网络和附加自编码网络参数，解冻判别网络参数，输入相同数量训练图片对判别网络进行训练；s44、重复步骤s42、s43，直至达到训练终止条件；所述训练终止条件为固定训练轮次数或关于各个子网络损失的变化判定条件。7.根据权利要求2所述的基于对抗学习的航空发动机叶片图像缺陷智能检测方法，其特征在于：还包括步骤s6、将待检测发动机叶片图像进行切割，依次将该切割图片输入至所述缺陷检测模型，进行缺陷自动检测。8.根据权利要求7所述的基于对抗学习的航空发动机叶片图像缺陷智能检测方法，其特征在于：步骤s6中，缺陷检测模型输出同尺寸的相似重构图片，将输入图片和输出图片对应像素值计算均方误差，输出带有像素坐标的均方误差，设置缺陷判别阈值，将有像素坐标的均方误差与缺陷判别阈值进行对比，若有像素坐标的均方误差大于等于缺陷判别阈值，则存在缺陷；若有像素坐标的均方误差小于缺陷判别阈值，则无缺陷。9.一种电子设备，其特征在于：包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一项所述基于对抗学习的航空发动机叶片图像缺陷智能检测方法。10.一种计算机可读介质，所述可读介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述基于对抗学习的航空发动机叶片图像缺陷智能检测方法。

技术总结
本发明属于航空发动机叶片图像检测技术领域，具体涉及基于对抗学习的航空发动机叶片图像缺陷智能检测方法。具体技术方案为：搭建带有附加自编码网络的深度卷积生成对抗网络；对发动机叶片图像进行切割；基于所述深度卷积生成对抗网络，构造用于网络训练的总损失函数；将处理后的图片作为输入，以所述总损失函数为目标函数训练，训练所述深度卷积生成对抗网络；从训练好的所述深度网络卷积生成对抗网络中提取生成网络及其权值，构建用于发动机叶片图像的缺陷检测模型。无须学习缺陷叶片图像即可构建适用于叶片图像的缺陷检测模型，可对缺陷叶片进行自动检测，给出叶片图像上缺陷所在像素区域。在像素区域。在像素区域。


技术研发人员：王栋欢 肖洪 肖达盛 于艾洋 周笔文
受保护的技术使用者：西北工业大学
技术研发日：2023.06.13
技术公布日：2023/9/12