Please wait a minute...
空天防御  2023, Vol. 6 Issue (1): 96-101    
0
  体系通用质量特性技术发展研究 本期目录 | 过刊浏览 | 高级检索 |
基于深度学习的柔性太阳翼琴铰表面缺陷检测方法
王兵, 皮刚, 陈文成, 谢海峰, 施祥玲
上海航天设备制造总厂有限公司, 上海 200245
Deep Learning Based Surface Defect Detection Method of Flexible Solar Array Hinge
WANG Bing, PI Gang, CHEN Wencheng, XIE Haifeng, SHI Xiangling
Shanghai Aerospace Equipment Manufacturing Co. Ltd, Shanghai 200245, China
全文: PDF(7749 KB)  
输出: BibTeX | EndNote (RIS)      
摘要 为了提高柔性太阳翼琴铰缺陷检测的检测精度和效率,通过开展基于深度学习的柔性太阳翼琴铰表面缺陷检测方法研究,给出了一种结合目标检测和分类网络的两阶段算法。该方法通过采用自动摄像装置对琴铰进行拍照,记录琴铰表面状态,同时引入迁移学习和数据增强算法,在解决缺陷样本缺乏问题的同时,对计算资源需求低且运算性能高,达到表面缺陷检测准确率高和效率高的效果。
服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
关键词 表面缺陷检测方法柔性太阳翼自动摄像装置两阶段算法深度学习    
Abstract:In order to improve the detection accuracy and efficiency of flexible solar array hinge defect detection, a two-stage algorithm combining target detection and classification network is proposed by carrying out the research on the surface defect detection method of flexible solar array hinge based on deep learning. The method adopts an automatic camera device to take photos of the hinges and record the surface state of hinges. At the same time, transfer learning and data enhancement algorithms are introduced to solve the problem of lack of defect samples. At the same time, the requirements for computing resources are low and the computational performance is high, so as to achieve the effect of high accuracy and efficiency of surface defect detection.
Key wordssurface defect detection method    flexible solar array    automatic camera device    two-stage algorithm    deep learning
收稿日期: 2022-06-09      出版日期: 2023-03-31
ZTFLH:  V414  
作者简介: 王兵 (1988—),男,硕士,工程师,主要研究方向为航天器总装工艺技术工作。
引用本文:   
王兵, 皮刚, 陈文成, 谢海峰, 施祥玲. 基于深度学习的柔性太阳翼琴铰表面缺陷检测方法[J]. 空天防御, 2023, 6(1): 96-101.
WANG Bing, PI Gang, CHEN Wencheng, XIE Haifeng, SHI Xiangling. Deep Learning Based Surface Defect Detection Method of Flexible Solar Array Hinge. Air & Space Defense, 2023, 6(1): 96-101.
链接本文:  
https://www.qk.sjtu.edu.cn/ktfy/CN/      或      https://www.qk.sjtu.edu.cn/ktfy/CN/Y2023/V6/I1/96

参考文献
[1] 程相伟, 张大旭, 杜永龙, 郭洪宝, 洪智亮. 基于X射线CT原位试验的平纹SiCf/SiC压缩损伤演化机理[J]. 上海交通大学学报, 2024, 58(2): 232-241.
[2] 沈傲1, 2,胡冀苏2, 3,金鹏飞4,周志勇2,钱旭升2, 3,郑毅2,包婕4,王希明4,戴亚康1, 2. 基于课程学习训练的聚合注意力网络Multi-SEANet用于MRI图像的格里森级别组无创预测[J]. J Shanghai Jiaotong Univ Sci, 2024, 29(1): 109-119.
[3] 林照晨, 张欣然, 刘紫阳, 贺风华, 欧阳磊. 基于深度学习的高超声速飞行器运动行为识别[J]. 空天防御, 2024, 7(1): 48-55.
[4] 曾志贤,曹建军,翁年凤,袁震,余旭. 基于细粒度联合注意力机制的图像-文本跨模态实体分辨[J]. J Shanghai Jiaotong Univ Sci, 2023, 28(6): 728-737.
[5] 朱春艳, 孙丹, 谭金强, 郑威, 胡亮亮, 吴添. 基于等效模型的空间站大面积柔性太阳翼结构优化设计[J]. 空天防御, 2023, 6(2): 23-27.
[6] . 基于锥型体素建模和单目相机的鸟瞰图语义分割和体素语义分割[J]. J Shanghai Jiaotong Univ Sci, 2023, 28(1): 100-113.
[7] 曾国治, 魏子清, 岳宝, 丁云霄, 郑春元, 翟晓强. 基于CNN-RNN组合模型的办公建筑能耗预测[J]. 上海交通大学学报, 2022, 56(9): 1256-1261.
[8] 吴庶宸, 戚宗锋, 李建勋. 基于深度学习的智能全局灵敏度分析[J]. 上海交通大学学报, 2022, 56(7): 840-849.
[9] 唐泽宇, 邹小虎, 李鹏飞, 张伟, 余佳奇, 赵耀东. 基于迁移学习的小样本OFDM目标增强识别方法[J]. 上海交通大学学报, 2022, 56(12): 1666-1674.
[10] 吕超凡, 言颖杰, 林力, 柴岗, 鲍劲松. 基于点云语义分割算法的下颌角截骨面设计[J]. 上海交通大学学报, 2022, 56(11): 1509-1517.
[11] 金丽洁, 武亚涛. 基于双CNN的雷达信号调制类型识别方法[J]. 空天防御, 2022, 5(1): 66-70.
[12] 陶海红, 闫莹菲. 一种基于GA-CNN的网络化雷达节点遴选算法[J]. 空天防御, 2022, 5(1): 1-5.
[13] 王兴志, 翟海保, 严亚勤, 吴庆曦. 基于数字孪生和深度学习的新一代调控系统预调度方法[J]. 上海交通大学学报, 2021, 55(S2): 37-41.
[14] 王岩, 陈耀然, 韩兆龙, 周岱, 包艳. 基于互信息理论与递归神经网络的短期风速预测模型[J]. 上海交通大学学报, 2021, 55(9): 1080-1086.
[15] 蔡云泽, 张彦军. 基于双通道特征增强集成注意力网络的红外弱小目标检测方法[J]. 空天防御, 2021, 4(4): 14-22.
沪ICP备15013849号-1
版权所有 © 2017《空天防御》编辑部
主管单位:中国航天科技集团有限公司 主办单位:上海机电工程研究所 上海交通大学出版社有限公司