吳 軍，石改琴，盧帥員，李 闊，桂燁涵，吳東澤，李 鑫

（1.中國民航大學(xué)航空工程學(xué)院，天津 300300; 2.中國民航大學(xué)電子信息與自動化學(xué)院，天津 300300）

0 引 言

飛機(jī)作為我們?nèi)粘Ｉ钪幸环N常見的交通工具，它的安全性自然也備受矚目，時(shí)而發(fā)生的飛行事故也極大的威脅著人們的生命財(cái)產(chǎn)安全。而大部分飛行事故的發(fā)生除了天氣等自然因素的影響外，飛機(jī)自身的結(jié)構(gòu)性問題也是不可忽視的。飛機(jī)蒙皮損傷是引起飛機(jī)結(jié)構(gòu)性損傷的重要因素之一[1]，目前國內(nèi)檢測飛機(jī)蒙皮損傷主要是依靠地勤人員目視檢查，但是這樣檢查不僅會增加飛機(jī)地面時(shí)間以及主機(jī)總體費(fèi)用，而且檢測結(jié)果受人為因素影響較大，常用于檢測較大損傷。為改善目視檢測在應(yīng)用上的缺陷，研究者們逐漸發(fā)現(xiàn)了計(jì)算機(jī)視覺[2]檢測在飛機(jī)蒙皮檢測方面的優(yōu)勢，隨著自動化技術(shù)的不斷發(fā)展，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[3]逐漸被應(yīng)用在飛機(jī)蒙皮數(shù)據(jù)集的訓(xùn)練上。

機(jī)翼蒙皮的主要作用是平滑機(jī)翼外觀，形成預(yù)設(shè)的機(jī)翼形狀，使得機(jī)翼上下形成壓差，為飛機(jī)提供升力。機(jī)翼上下壓差的力作為剪切力作用在機(jī)翼蒙皮，蒙皮將力轉(zhuǎn)移到機(jī)翼隔框和橫梁，隔框和橫梁再將力傳導(dǎo)到翼根機(jī)身處，從而托舉起整架飛機(jī)[4]。針對不同機(jī)型機(jī)翼的各項(xiàng)參數(shù)，研究者設(shè)計(jì)了針對不同機(jī)翼的無人機(jī)繞檢方法，目的在于全方位清晰地采集飛機(jī)機(jī)翼蒙皮圖像用于系統(tǒng)檢測與模型測試。根據(jù)飛機(jī)結(jié)構(gòu)性維修手冊可以將實(shí)際維修中的機(jī)翼蒙皮損傷分為五類：劃痕、掉漆、鉚釘損傷、變形、腐蝕。這五類損傷中每一類的損傷維修等級根據(jù)實(shí)際情況各有不同，因此在機(jī)務(wù)實(shí)際工作過程中需要對飛機(jī)機(jī)翼進(jìn)行嚴(yán)格的目視檢查，區(qū)分各類損傷以及是否需要維修，這大大增加了飛機(jī)的地面時(shí)間也極大地增加了機(jī)務(wù)的工作量。

針對飛機(jī)蒙皮損傷特征的特殊性，需要對每一類損傷有一定的特征識別，要求檢測模型輸入圖像后得到圖像中的損傷位置及名稱。本文將計(jì)算機(jī)視覺與無人機(jī)進(jìn)行結(jié)合，采用無人機(jī)視覺實(shí)現(xiàn)飛機(jī)機(jī)翼蒙皮損傷的圖像采集，再利用YOLOv4[5]算法實(shí)現(xiàn)輸入圖像只需經(jīng)過一次特征提取，便能得到圖像中目標(biāo)物體的位置、屬性以及相應(yīng)的置信度概率，對圖像進(jìn)行處理，達(dá)到將實(shí)地拍攝的飛機(jī)蒙皮損傷圖像實(shí)時(shí)檢測的目的，提高了機(jī)務(wù)人員在檢查飛機(jī)機(jī)翼損傷時(shí)的效率。

針對目視檢測出現(xiàn)的檢測任務(wù)量大、效率低、精度差等問題，計(jì)算機(jī)視覺檢測中的YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)充分顯示出了其高精度高效率的檢測優(yōu)勢，本文主要采用無人機(jī)視覺技術(shù)在飛機(jī)蒙皮損傷檢測中的應(yīng)用方法，將無人機(jī)檢測蒙皮的過程分為三部分即無人機(jī)繞檢、圖像處理、損傷識別。著重提出一種新的無人機(jī)繞檢機(jī)翼的路徑規(guī)劃方法以及實(shí)現(xiàn)YOLOv4算法在機(jī)翼蒙皮損傷檢測中的應(yīng)用，進(jìn)而研究該模型在飛機(jī)蒙皮損傷數(shù)據(jù)集中的檢測和分類效果[6]。

1 無人機(jī)繞檢方法——基于全覆蓋的無人機(jī)路徑規(guī)劃

1.1 雙攝像頭的設(shè)計(jì)

圖像采集主要利用搭載雙攝像頭的無人機(jī)實(shí)現(xiàn)，雙攝像頭的搭載主要目的是基于飛機(jī)機(jī)翼圖像采集實(shí)際情況的復(fù)雜性，機(jī)翼的向空面和向地面均要實(shí)現(xiàn)采集，這對無人機(jī)系統(tǒng)的要求較高。而無人機(jī)本身搭載的攝像頭無法完成上下全方位擺動拍攝，所以設(shè)計(jì)了雙攝像頭的方法來全方位采集圖像，雙攝像頭無人機(jī)結(jié)構(gòu)如圖1所示。

圖1 無人機(jī)示意圖

無人機(jī)的手動繞檢必須能夠?qū)崿F(xiàn)無漏拍、高清、固定距離拍攝的條件，這就需要一定的繞檢方式實(shí)現(xiàn)上述要求。根據(jù)民航維修要求，在能夠肉眼識別損傷時(shí)判斷損傷是否需要立即維修，基于這種情況，設(shè)定了無人機(jī)飛行時(shí)距離機(jī)翼的高度，在幾次實(shí)驗(yàn)后發(fā)現(xiàn)距飛機(jī)機(jī)翼表面1～2 m的距離范圍內(nèi)無人機(jī)拍攝的圖像與人眼識別相近，如表1所示。

表1 無人機(jī)拍攝距離與實(shí)際蒙皮對應(yīng)面積

1.2 飛機(jī)機(jī)翼形狀分析

中國民用航空飛機(jī)市場的機(jī)翼類型如表2所示（這里主要針對中國民航常用的空客型飛機(jī)），目前民用航空市場使用數(shù)量最多的是空客A320機(jī)型，因此，本文采用該機(jī)型的具體數(shù)據(jù)展開實(shí)驗(yàn)。

表2 民航常見空客機(jī)機(jī)翼類型

1.3 繞檢路線分析

利用空客A320機(jī)型的機(jī)翼數(shù)據(jù)研究無人機(jī)全方位繞檢方法。在民航領(lǐng)域安全性是重中之重，研究人員在全方位覆蓋機(jī)翼面的基礎(chǔ)上考慮了最優(yōu)的路徑規(guī)劃方法。全覆蓋的路徑規(guī)劃方法主要有三類：柵格地圖法、單元分解法以及兩者結(jié)合的方法。柵格地圖法存在移動死區(qū)的問題且單元分解法是目前全覆蓋路徑規(guī)劃效果最好的方法[7]。但是由于機(jī)翼本身形狀相對固定，常見翼型均為凹多邊形區(qū)域，對于這種相對簡單的凹多邊形，單元分解只會增加路徑規(guī)劃的復(fù)雜性，于是將整個(gè)機(jī)翼作為一塊單元進(jìn)行路徑規(guī)劃可以極大地減少路徑轉(zhuǎn)彎的次數(shù)，并且對于簡單的凹多邊形，無人機(jī)在飛行過程中不需要掉頭，只有轉(zhuǎn)彎會產(chǎn)生路徑開銷。

在實(shí)驗(yàn)測試過程中發(fā)現(xiàn)，當(dāng)無人機(jī)保持勻速飛行時(shí)，每次轉(zhuǎn)彎的時(shí)間大致相同。綜合無人機(jī)采集圖像所需時(shí)間，無人機(jī)的運(yùn)動速度大致為0.5 m/s，選擇距離機(jī)翼蒙皮為2 m同時(shí)操縱兩架無人機(jī)，保持其直線飛行速度相同，其中一個(gè)有一次直角轉(zhuǎn)彎，累計(jì)距離5 m，另一個(gè)無直角轉(zhuǎn)彎時(shí)相同時(shí)間內(nèi)飛行距離為6.2 m，在大量的實(shí)驗(yàn)下，對于0.5 m/s的無人機(jī)飛行時(shí)每次轉(zhuǎn)彎的代價(jià)可記為1.2 m。如圖2所示，對于機(jī)翼，機(jī)翼的邊只有兩條邊是相互垂直的，在直角轉(zhuǎn)彎過程中會有地面或非機(jī)翼的蒙皮圖像被采集進(jìn)來，為了提高采集準(zhǔn)確度，本文利用無人機(jī)的直角轉(zhuǎn)彎代價(jià)得出無人機(jī)沿機(jī)翼邊飛行的轉(zhuǎn)彎代價(jià)，稱為沿邊代價(jià)。無人機(jī)一次直角轉(zhuǎn)彎的代價(jià)線性換算為系數(shù)：ct=1.2 m/次，根據(jù)機(jī)翼的形狀，不同的飛行方向各沿邊代價(jià)不同，計(jì)算沿邊代價(jià)的函數(shù)如下：

圖2 空客A320機(jī)翼各邊數(shù)據(jù)

式中：ced——沿邊代價(jià)系數(shù)；

θ——轉(zhuǎn)彎角；

ct——轉(zhuǎn)彎代價(jià)系數(shù)。

通過將轉(zhuǎn)彎次數(shù)換算為距離開銷，得到無人機(jī)路徑規(guī)劃的代價(jià)函數(shù)：

式中：Nt——轉(zhuǎn)彎次數(shù)；

Lin——機(jī)翼內(nèi)路徑長度的總和。

轉(zhuǎn)彎次數(shù)需要結(jié)合機(jī)翼邊長以及轉(zhuǎn)彎角，已知路徑兩條轉(zhuǎn)彎路線之間直線距離為所拍照片實(shí)際對應(yīng)蒙皮的寬即 b=1.25 m，轉(zhuǎn)彎次數(shù)Nt為：

式中：Lin——機(jī)翼內(nèi)路徑長度的總和，與機(jī)翼邊長相關(guān)；

Cost——路徑轉(zhuǎn)彎代價(jià)值，機(jī)翼各邊的沿邊代價(jià)值如表3所示。

表3 機(jī)翼各邊沿邊代價(jià)值

1.4 機(jī)翼的無人機(jī)繞檢全覆蓋路徑規(guī)劃

機(jī)翼形狀為凹多邊形，路徑規(guī)劃采用直接法，算法描述如下：機(jī)翼的沿邊代價(jià)決定了無人機(jī)繞檢機(jī)翼有兩種繞檢路徑，由于以B或C為起點(diǎn)的路徑與以A或E為起點(diǎn)的路徑相同，所以兩條路徑分別為以A為起點(diǎn)、E為終點(diǎn)和以E為起點(diǎn)、A為終點(diǎn)。示意圖如圖3、圖4所示。

圖3 路徑一：以A為起點(diǎn)E為終點(diǎn)

圖4 路徑二：以E為起點(diǎn)A為終點(diǎn)

已知空客A320機(jī)翼各邊的邊長、各個(gè)角度以及路徑間的寬度，結(jié)合各邊轉(zhuǎn)彎角度計(jì)算各邊的轉(zhuǎn)彎次數(shù)如表4和表5所示，其中，路徑一以A為起點(diǎn)E為終點(diǎn)，路徑二以E為起點(diǎn)A為終點(diǎn)。

表4 路徑一各邊轉(zhuǎn)彎次數(shù)的計(jì)算

表5 路徑二各邊轉(zhuǎn)彎次數(shù)的計(jì)算

結(jié)合兩條路徑的轉(zhuǎn)彎次數(shù)以及沿邊代價(jià)值得到兩種路徑長度如表6所示。

表6 兩種路徑的總代價(jià)值

由以上數(shù)據(jù)可得，按照沿邊代價(jià)的計(jì)算方法得到繞檢機(jī)翼的兩種路徑中，路徑一的路徑最短，因此在保證無人機(jī)飛行速度相同的情況下，路徑一的繞檢效率高。

綜上所述，飛機(jī)機(jī)翼圖像采集流程如圖5所示。

圖5 無人機(jī)采集圖像流程圖

1.5 無人機(jī)圖像采集工作環(huán)境分析

在無人機(jī)采集飛機(jī)蒙皮圖像過程中會遇到不同的外部環(huán)境對圖像采集產(chǎn)生干擾，例如：大風(fēng)、大霧等惡劣天氣狀況、光照太強(qiáng)或太弱等因素會導(dǎo)致無人機(jī)飛行不穩(wěn)定、采集到的圖像不夠清晰等問題進(jìn)而降低模型的檢測精度，無人機(jī)應(yīng)爭對不同的工作條件作出相應(yīng)的調(diào)整。當(dāng)遇到惡劣天氣因素影響時(shí)通過提高無人機(jī)各硬件模塊的強(qiáng)度以及改進(jìn)無人機(jī)飛行姿態(tài)感知算法來增強(qiáng)無人機(jī)的穩(wěn)定性；對于在圖像采集過程中出現(xiàn)的光照太強(qiáng)或太弱的情況，可以調(diào)節(jié)無人機(jī)搭載像機(jī)的曝光度以及在后續(xù)圖像處理單元中進(jìn)行深度優(yōu)化使得機(jī)翼圖像更清晰，更具有實(shí)用性。

2 圖像處理單元

2.1 飛機(jī)蒙皮損傷圖像采集

如圖6所示，飛機(jī)蒙皮數(shù)據(jù)集來源于采集到的具有蒙皮損傷的飛機(jī)視頻，利用視頻處理軟件進(jìn)行切片處理，按照不同的幀數(shù)進(jìn)行切割，得到清晰的飛機(jī)蒙皮損傷圖片。這樣處理的好處是利用較少的數(shù)據(jù)來源得到較多的圖片，充分豐富了數(shù)據(jù)量。對數(shù)據(jù)進(jìn)行刪除和篩選之后共得到26 038張數(shù)據(jù)圖，其中包含了五類飛機(jī)蒙皮損傷。我們將飛機(jī)蒙皮損傷圖像的類別劃分為變形（deform）、劃痕（scratch）、腐蝕（rust）、鉚釘損傷（rivet damage）、掉漆（paint peel）以及無損傷飛機(jī)蒙皮圖六類[8]。

圖6 飛機(jī)蒙皮損傷采集現(xiàn)場圖

變形（deform）：一種外形凹進(jìn)部件原始輪廓且部件橫截面積無改變的結(jié)構(gòu)性損傷，變形凹坑的邊緣平滑，通常由外物體碰撞引起；

劃痕（scratch）：主要利用蒙皮表面出現(xiàn)由內(nèi)向外輻射的形狀或由于飛機(jī)碰撞剮蹭摩擦等因素導(dǎo)致的條紋來判斷；

腐蝕（rust）：主要是飛機(jī)長期在各種氣候條件下由于蒙皮產(chǎn)生化學(xué)反應(yīng)而形成的腐蝕損傷；

鉚釘損傷（rivet damage）：由于飛機(jī)起落或航行過程中震動或碰撞導(dǎo)致的鉚釘松動，這里將鉚釘周圍出現(xiàn)的掉漆、腐蝕等均歸類為鉚釘損傷；

掉漆（paint peel）：指蒙皮外層漆層起泡，成片或粉末狀脫落。

其中數(shù)據(jù)集中的各類損傷圖片如圖7所示，數(shù)據(jù)庫各類損傷數(shù)據(jù)占比如圖8所示。

圖7 飛機(jī)蒙皮損傷類別

圖8 飛機(jī)蒙皮損傷類型比重分布

2.2 飛機(jī)蒙皮損傷圖像處理

對飛機(jī)蒙皮損傷進(jìn)行分類后，利用LabelImg軟件對已有的圖片進(jìn)行人工標(biāo)定損傷框與損傷類別，生成了包含損傷信息的xml文件，該文件中包含人工標(biāo)定損傷的種類、人工標(biāo)定框的x軸方向與y軸方向長度范圍，即長寬，也包含圖片的大小以及路徑信息。將所有圖片中的損傷信息全部轉(zhuǎn)化xml文件進(jìn)行預(yù)處理，為后續(xù)模型訓(xùn)練提取圖片信息做好準(zhǔn)備。

3 損傷識別單元

3.1 飛機(jī)蒙皮損傷視覺檢測模型訓(xùn)練

3.1.1 Mosaic 數(shù)據(jù)增強(qiáng)方式

YOLOv4 使用 Mosaic的數(shù)據(jù)[9]增強(qiáng)方式,圖像增強(qiáng)[10]的主要目的是為了豐富飛機(jī)蒙皮損傷的背景，并且在計(jì)算時(shí)一次性計(jì)算4張圖像的數(shù)據(jù)，這樣即使是使用較少的數(shù)據(jù)集依然會得到不錯的檢驗(yàn)效果。主要思路：1）讀取四張飛機(jī)蒙皮損傷圖片；2）對圖片進(jìn)行變換：翻轉(zhuǎn)、縮放、色域的變換等；3）將四張變換后的圖片按不同的方位放置并組合成一張圖，如圖9所示。

圖9 Mosaic數(shù)據(jù)增強(qiáng)圖片拼接示意圖

3.1.2 YOLOv4 模型訓(xùn)練

視覺檢測模型訓(xùn)練過程如圖10所示，將處理好的飛機(jī)蒙皮損傷圖片以訓(xùn)練集∶測試集=9∶1的比例輸入到Y(jié)OLOv4系統(tǒng)中進(jìn)行模型訓(xùn)練，由于在實(shí)驗(yàn)中是使用YOLOv4整體系統(tǒng)，所以在YOLOv4運(yùn)行過程中使用的Mosaic數(shù)據(jù)增強(qiáng)方式得到的數(shù)據(jù)圖無法在結(jié)果中體現(xiàn)，模型達(dá)到的目的是輸入含有損傷的圖片，輸出圖片中損傷的類別、位置以及置信度，再將人工標(biāo)定的圖片數(shù)據(jù)集輸入到預(yù)先設(shè)定好的YOLOv4模型中進(jìn)行模型訓(xùn)練，由于YOLOv4模型本身結(jié)合了多種模塊的優(yōu)勢，所以訓(xùn)練過程中需要不斷調(diào)整參數(shù)來平衡各模塊對最終結(jié)果造成的影響。實(shí)驗(yàn)平臺設(shè)置為：中央處理器（CPU）：Inter（R）Xeon（R）W-2235CPU@3.80GHz；圖形處理器（GPU）：NVIDIA Quadro RTX4000；使用的開發(fā)框架為PyTorch，編程語言為Python。

圖10 飛機(jī)蒙皮損傷視覺檢測模型訓(xùn)練流程圖

在此次實(shí)驗(yàn)中超參數(shù)的設(shè)定共進(jìn)行了100個(gè)epoch迭代，并且在每一輪的數(shù)據(jù)迭代開始啟動Mosaic數(shù)據(jù)增強(qiáng)。迭代過程分為兩部分，前50次epoch訓(xùn)練在凍結(jié)部分參數(shù)后學(xué)習(xí)率設(shè)為0.001，樣本數(shù)（Batchsize）設(shè)為4，每個(gè)epoch迭代次數(shù)為1 314次，權(quán)重衰減系數(shù)為0.000 5。解凍參數(shù)后繼續(xù)進(jìn)行后50次epoch迭代，學(xué)習(xí)率設(shè)為0.000 1，Batchsize設(shè)置為2，每個(gè)epoch迭代次數(shù)為2 627次。迭代100個(gè)epoch后網(wǎng)絡(luò)已基本收斂，此時(shí)訓(xùn)練損失值為6.428 1。實(shí)驗(yàn)損失函數(shù)[11]圖像如圖11所示。

圖11 損失函數(shù)變化曲線

3.2 飛機(jī)蒙皮損傷視覺檢測模型測試

根據(jù)文獻(xiàn)[12]提出以下定義：

正樣本：置信度高于設(shè)定置信度的樣本；

負(fù)樣本：置信度低于設(shè)定置信度的樣本；

TP（True Positive）；分類器分為正樣本且實(shí)際確為正樣本的數(shù)量；

TN（True Negative）：分類器分為負(fù)樣本且實(shí)際確為負(fù)樣本的數(shù)量；

FP（False Positive）：分類器分為正樣本但實(shí)際為負(fù)樣本的數(shù)量；

FN（False Negative）：分類器分為負(fù)樣本但實(shí)際為正樣本的數(shù)量；

準(zhǔn)確度（Precision）和召回率（Recall）的計(jì)算公式[13]為

準(zhǔn)確值 AP（Average Precision）：指的是利用不同的準(zhǔn)確度和召回率組成的點(diǎn)的組合，用Precision和Recall曲線所圍成的面積來表示，mAP是所有類別的AP值的平均值。對數(shù)據(jù)利用公式進(jìn)一步處理得到的各類損傷的AP值如圖12所示。

圖12 各類損傷AP值和mAP值圖像

根據(jù)以上數(shù)據(jù)可以得出：該模型對劃痕（scratch）的檢測精度比較低，主要原因是損傷中許多劃痕太小，在檢測過程中的特征不斷迭代，許多細(xì)微的特征被忽略，需要后續(xù)進(jìn)一步優(yōu)化模型。根據(jù)實(shí)驗(yàn)測算，該模型能夠檢測到的飛機(jī)機(jī)翼變形損傷最小數(shù)據(jù)為長0.11 m，寬0.04 m，模型數(shù)據(jù)集中各類蒙皮損傷得到的mAP值即實(shí)驗(yàn)?zāi)Ｐ蜏?zhǔn)確度為71.01%。

3.3 飛機(jī)蒙皮損傷視覺檢測模型結(jié)果分析

由圖13可知：模型檢測效果與人工處理方式相比，損傷標(biāo)定框已基本可以覆蓋損傷全部位置，變形、劃痕、腐蝕、鉚釘損傷、掉漆五類損傷類型識別度已基本達(dá)到實(shí)驗(yàn)要求。各類損傷檢測結(jié)果如圖14所示。總體而言，飛機(jī)蒙皮損傷檢測模型檢測精度較高，與實(shí)際結(jié)果相符，該模型效果可以滿足飛機(jī)蒙皮損傷日常檢測需求，進(jìn)而為飛機(jī)蒙皮損傷測控提供技術(shù)支持。但不足之處在于檢測結(jié)果與實(shí)際結(jié)果相比，時(shí)而有漏檢和錯檢情況發(fā)生。

圖13 人工標(biāo)定損傷與模型檢測損傷對比圖

圖14 各類損傷檢測結(jié)果圖

其中漏檢和錯檢情況最顯著的表現(xiàn)在劃痕損傷的檢測上，飛機(jī)蒙皮表面劃痕的空間深度和形狀大小等特征多種多樣，損傷特征變化性很大，模型進(jìn)行測試時(shí)供其學(xué)習(xí)的數(shù)據(jù)集太少，從而導(dǎo)致部分微小劃痕不能及時(shí)檢測，針對該情況有如下調(diào)整方案：

1）繼續(xù)豐富數(shù)據(jù)集，提高具有微小損傷的飛機(jī)蒙皮損傷圖像數(shù)量，不斷調(diào)整模型參數(shù)進(jìn)行多次訓(xùn)練。

2）隨著卷積神經(jīng)網(wǎng)絡(luò)層數(shù)的加深，模型的計(jì)算量和檢測速度會大幅下降，在卷積過程中也會伴隨著損傷圖像特征的丟失，所以模型應(yīng)進(jìn)一步簡化網(wǎng)絡(luò)特征的提取過程，以便增強(qiáng)細(xì)微損傷的檢測效果。

3）為提高微小損傷的檢測精度，需要對損失函數(shù)進(jìn)行優(yōu)化，可以增加對劃痕形狀、大小以及分支多少的分類，進(jìn)一步細(xì)化模型，以求提高劃痕損傷檢測精度。

4 結(jié)束語

本文從無人機(jī)全覆蓋路徑規(guī)劃問題展開，論述了無人機(jī)路徑規(guī)劃中兩種路徑的代價(jià)計(jì)算方法，并通過對比兩種路徑的代價(jià)值來實(shí)現(xiàn)優(yōu)化目的,在無人機(jī)采集到圖像后對其進(jìn)行數(shù)據(jù)處理，之后利用YOLOv4深度學(xué)習(xí)算法訓(xùn)練實(shí)驗(yàn)?zāi)Ｐ筒y試實(shí)驗(yàn)效果。實(shí)驗(yàn)對于飛機(jī)蒙皮損傷檢測提出將飛機(jī)蒙皮損傷圖像輸入計(jì)算機(jī)，利用YOLOv4深度學(xué)習(xí)模型進(jìn)行自動檢測，YOLOv4算法在視覺檢測飛機(jī)蒙皮損傷方面體現(xiàn)出了很強(qiáng)的先進(jìn)性，一方面它集多種網(wǎng)絡(luò)的優(yōu)勢于一體，提升了飛機(jī)蒙皮損傷檢測的精確度，另一方面可以靈活修改訓(xùn)練參數(shù)以便達(dá)到更好的檢測效果。這一蒙皮損傷檢測方法大大提高了飛機(jī)蒙皮損傷檢測效率，為民航領(lǐng)域飛機(jī)蒙皮損傷維修提供了新的思路。

但是，該智能檢測方法仍有不足之處，如對于一些微小損傷的檢測效果不明顯，針對這方面的問題，該方法需要進(jìn)一步提升和優(yōu)化。