Aero-engine damage detection and location method based on the CerberusDet-LS multi-task model
Notice bibliographique
Résumé
Intelligent detection of damage types and localization of damages in aero-engines can improve the problems of large workload and low detection efficiency in aero-engine borescope inspection, providing key technical support for ensuring aviation safety and improvement of operation and maintenance efficiency. Aiming at the problems of low efficiency and poor detection effect of the existing single-task models in handling multiple tasks respectively, an improved aero-engine damage detection and location method CerberusDet-LS based on the CerberusDet multi-task model is proposed. The LSKA module was added to the SPPF architecture of the original model to enhance the model’s recognition ability on multi-scale targets. The Spatially Enhanced Attention (SEAM) Module is integrated into the design of the detection head. The original structure of the detection head is modified to Detect_SEAM to achieve the effective detection of occluded objects. Finally, it is verified on the aero-engine damage dataset and the location dataset. The results show that, compared with the original model, the improved CerberusDet-LS model has increased the mean Average Precision (mAP) of the damage dataset and the location dataset by 2% and 0.3% respectively, and the recall rates (R) has increased by 1.8% and 1.4% respectively. It indicates that this algorithm has higher detection accuracy and stronger generalization ability, promoting the intelligent level of damage detection and location of aero-engines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».