科研之友
微信
新浪微博
Facebook
分享链接
摘要
在实现风机叶片巡检的无人化和智能化的过程中，数据集的准备与标注严重影响了深度学习网络的预测准确性。这一点在基于无人机载红外热成像尤为重要，不同于可见光检测：由于红外相机像素有限，导致缺陷在检测图像上像素少、温差小、缺陷温度表征因缺陷种类变化等问题。仅依赖一次数据标定的网络识别准确率较低，且数据集标注的差异对识别精度带来严重影响。为此，提出了基于人在回路的风机叶片智能红外缺陷检测与测量的方法，将人员反馈引入到网络性能迭代中，并且通过缺陷局部假设解决了在缺陷面积测量中的温度表征随种类变化的问题。实验表明，引入人为参与的方法能有效地提高风机叶片缺陷检测识别率。在自制的风机叶片红外数据集中，第二次数据迭代的mAP@0.5比第一次数据标注提高了22.94%，第三次数据迭代的mAP@0.5比第二次数据迭代提高了27.8%。
- 单位
