隨著科技的飛速發(fā)展,2025年保險(xiǎn)絲行業(yè)正朝著智能化、精準(zhǔn)化的方向邁進(jìn)。在航空領(lǐng)域,保險(xiǎn)絲作為重要的防松部件,其繞向的準(zhǔn)確檢測關(guān)乎飛行安全。傳統(tǒng)人工目視檢查航空保險(xiǎn)絲繞向的方式效率低下且標(biāo)準(zhǔn)不一,已難以滿足行業(yè)日益增長的需求。在此背景下,基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)為航空保險(xiǎn)絲繞向識(shí)別帶來了新的解決方案。
《2025-2030年中國保險(xiǎn)絲行業(yè)項(xiàng)目調(diào)研及市場前景預(yù)測評估報(bào)告》指出,YOLOv7 模型是航空保險(xiǎn)絲繞向識(shí)別研究的基礎(chǔ),它由主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和預(yù)測頭部輸出端構(gòu)成。主干網(wǎng)絡(luò)負(fù)責(zé)對輸入圖片進(jìn)行格式化處理后,通過卷積、標(biāo)準(zhǔn)化及激活函數(shù)模塊的深層堆疊,提取不同尺度的特征圖。深層堆疊的殘差塊結(jié)構(gòu)搭配跳躍連接,既提升了網(wǎng)絡(luò)精度,又有效緩解了梯度消失問題。頸部網(wǎng)絡(luò)采用自上而下和自下而上雙向融合的方式,將不同大小的特征圖進(jìn)行融合,使網(wǎng)絡(luò)能更好地學(xué)習(xí)多級(jí)特征。最后,來自頸部網(wǎng)絡(luò)的大、中、小三種尺寸的特征圖,經(jīng)深度可分離卷積處理,生成最終的預(yù)測結(jié)果。
航空保險(xiǎn)絲檢測面臨背景復(fù)雜、目標(biāo)占比小的難題,需要網(wǎng)絡(luò)高度關(guān)注多維度信息。在 YOLOv7 頸部網(wǎng)絡(luò)的 SPPCSPC 模塊中融入 CBAM,形成 SPPCSPC_ATT 模塊。CBAM 由通道注意力模塊和空間注意力模塊組成,通道注意力模塊先對輸入特征圖進(jìn)行最大池化和平均池化,生成不同空間信息屬性的特征圖,再經(jīng)前向權(quán)值共享網(wǎng)絡(luò)處理,生成通道特征圖;空間注意力模塊對通道處理后的特征圖進(jìn)行最大池化和平均池化,再經(jīng)卷積生成空間注意力特征層。SPPCSPC_ATT 模塊通過對特征圖的處理和 CBAM 的作用,提升了模型對檢測目標(biāo)分類的置信度。
傳統(tǒng)全局池化層無法保留位置信息,而位置信息對航空保險(xiǎn)絲繞向檢測至關(guān)重要。在頸部網(wǎng)絡(luò)與頭部預(yù)測網(wǎng)絡(luò)之間嵌入 CA 坐標(biāo)注意力模塊,該模塊分別沿水平和垂直方向?qū)斎雽ο筮M(jìn)行池化操作,獲取橫縱軸位置信息,將兩個(gè)方向的特征聚合、拼接、卷積,再劃分并轉(zhuǎn)化為通道數(shù)相同的向量,經(jīng)激活函數(shù)擴(kuò)展后作為注意力權(quán)重,有效減少信道數(shù),降低計(jì)算復(fù)雜度。將 CA 坐標(biāo)注意力模塊嵌入頸部網(wǎng)絡(luò)后,模型對密集小目標(biāo)的方向感知能力顯著增強(qiáng),能夠檢測到原模型漏檢的樣本目標(biāo)。
YOLOv7 的邊界框損失函數(shù) CIoU 存在問題,當(dāng)預(yù)測框與真實(shí)框?qū)捀叱示€性比例變化時(shí),會(huì)影響模型檢測精度與魯棒性。引入 Focal-EIoU 損失函數(shù),它不僅考慮預(yù)測框的寬高比和大小,還引入加權(quán)處理方法。使用 Focal-EIoU 損失函數(shù)后,模型訓(xùn)練收斂速度加快,最終損失值更低,在面對寬高比較接近的檢測目標(biāo)時(shí),檢測效果得到明顯改善。
通過在 SPPCSPC 模塊中融入 CBAM,在頸部與頭部網(wǎng)絡(luò)間嵌入 CA 坐標(biāo)注意力模塊,將邊界框損失函數(shù)替換為 Focal-EIoU Loss,成功構(gòu)建了 AFE-YOLOv7 模型。
由于缺乏開源的航空保險(xiǎn)絲繞向數(shù)據(jù)集,通過拍攝本校停機(jī)坪真實(shí)飛機(jī)及航材的保險(xiǎn)絲,獲取 500 多張?jiān)紙D片,經(jīng)數(shù)據(jù)增強(qiáng)后得到包含 2810 張圖像的數(shù)據(jù)集,其中有超過 5000 個(gè)正樣本和 4900 個(gè)負(fù)樣本。使用 Labelimg 標(biāo)注工具對數(shù)據(jù)進(jìn)行標(biāo)注,并按 8∶1∶1 的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。
實(shí)驗(yàn)在 Windows 10 專業(yè)版 64 位操作系統(tǒng)下進(jìn)行,采用 8GB 顯存的 GeForce RTX 4000 GPU、Intel (R) Core (TM) i9 - 10920xCPU,基于 pytorch 框架。運(yùn)用遷移學(xué)習(xí),以原始 YOLOv7 模型在 COCO 數(shù)據(jù)集上訓(xùn)練的預(yù)權(quán)重作為初始權(quán)重,使用 Adam 優(yōu)化器,設(shè)置初始學(xué)習(xí)率為 0.01,每次傳入 8 張圖片,數(shù)據(jù)加載數(shù)量為 4,訓(xùn)練輪數(shù)為 500 輪。
采用精確率、召回率、FPS 和平均精確率作為衡量指標(biāo)。精確率評估模型檢測目標(biāo)的準(zhǔn)確性,召回率衡量檢測的全面性,F(xiàn)PS 表示推理速度,mAP 通過計(jì)算各類別精確率曲線與坐標(biāo)軸圍成面積的積分并平均得到。
以未改進(jìn)的 YOLOv7 模型為基準(zhǔn),設(shè)置 7 種改進(jìn)方法進(jìn)行消融實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,除一種方法精度下降外,其他改進(jìn)均使指標(biāo)有所提升,其中同時(shí)采用三種改進(jìn)方法的模型取得最高精度 83.33%、較高召回率 81.96% 和 mAP 86.46%,證明了改進(jìn)的有效性。
將 AFE-YOLOv7 模型與 YOLOv5s、YOLOv7-Tiny、SSD 及 EfficientDet 等現(xiàn)有目標(biāo)檢測方法在相同數(shù)據(jù)集和實(shí)驗(yàn)環(huán)境下進(jìn)行對比。結(jié)果顯示,AFE-YOLOv7 模型精度優(yōu)于其他算法,F(xiàn)PS 為 30.1,滿足實(shí)時(shí)性檢測需求。在不同場景的典型圖片測試中,AFE-YOLOv7 模型在大、中、小樣本目標(biāo),高亮目標(biāo)和密集場景目標(biāo)的檢測中表現(xiàn)最佳。
綜上所述,AFE-YOLOv7 模型在航空保險(xiǎn)絲繞向識(shí)別領(lǐng)域?qū)崿F(xiàn)了重大突破。通過對 YOLOv7 模型的優(yōu)化改進(jìn),該模型在精確度、召回率和 mAP 等指標(biāo)上均有顯著提升,相比原始模型分別提高了 7.67%、8.68% 及 10.25%,且運(yùn)行速度達(dá)到 30.1 幀 /s,滿足實(shí)時(shí)檢測要求。在不同場景下,AFE-YOLOv7 模型對保險(xiǎn)絲繞向的檢測性能優(yōu)于其他廣泛應(yīng)用的模型,能夠有效提升機(jī)務(wù)人員維修工作的安全性與便捷性,為2025年保險(xiǎn)絲行業(yè)智能化發(fā)展提供了有力支撐,推動(dòng)了智慧民航建設(shè)邁向新臺(tái)階。
更多保險(xiǎn)絲行業(yè)研究分析,詳見中國報(bào)告大廳《保險(xiǎn)絲行業(yè)報(bào)告匯總》。這里匯聚海量專業(yè)資料,深度剖析各行業(yè)發(fā)展態(tài)勢與趨勢,為您的決策提供堅(jiān)實(shí)依據(jù)。
更多詳細(xì)的行業(yè)數(shù)據(jù)盡在【數(shù)據(jù)庫】,涵蓋了宏觀數(shù)據(jù)、產(chǎn)量數(shù)據(jù)、進(jìn)出口數(shù)據(jù)、價(jià)格數(shù)據(jù)及上市公司財(cái)務(wù)數(shù)據(jù)等各類型數(shù)據(jù)內(nèi)容。