买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中航西安飞机工业集团股份有限公司申请的专利一种航空零部件涂层外观缺陷检测系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116642897B 。

龙图腾网通过国家知识产权局官网在2025-12-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310351663.7，技术领域涉及：G01N21/892；该发明授权一种航空零部件涂层外观缺陷检测系统是由张勇德;王玮;郭中华;冀阳春;吕弛;王浩熠设计研发完成，并于2023-04-03向国家知识产权局提交的专利申请。

本一种航空零部件涂层外观缺陷检测系统在说明书摘要公布了：本发明公开了一种航空零部件涂层外观缺陷检测系统，由高清工业相机、辅助光源、图像分析服务器、数据管理系统、网络控制器、信号提示器组成，高清工业相机能实时采集航空零部件涂层外观图像，通过有线网络将涂层外观图像传输至图像分析服务器，图像分析服务器通过智能识别算法平台对工业相机采集的涂层外观图像进行实时缺陷分析，并将有缺陷的涂层外观图像实时反馈至数据管理系统，数据管理系统对分析后的图像数据信息进行存储、管理和显示，并通过网络控制器将涂层缺陷信号发送至信号提示器。本发明避免了人为因素的干扰，极大降低检测人员长期目视检查造成的大量人力耗费和时间投入，保障了航空零部件涂层外观检测的稳定性和一致性。

本发明授权一种航空零部件涂层外观缺陷检测系统在权利要求书中公布了：1.一种航空零部件涂层外观缺陷检测系统，包含高清工业相机、辅助光源、图像分析服务器、数据管理系统、网络控制器、信号提示器，其特征在于，所述的高清工业相机能实时采集航空零部件涂层外观图像，通过有线网络将涂层外观图像传输至图像分析服务器，图像分析服务器配置有航空零部件涂层外观缺陷智能识别算法平台，所述的涂层外观缺陷智能识别算法平台，含有图像预处理模块、数据增强模块、涂层外观图像缺陷识别的深度神经网络模型；所述的图像预处理模块，用于将训练图像缩放为统一尺寸并对图像进行归一化；所述的图像数据增强模块，用于扩增涂层外观缺陷图像数据库规模，提升深度神经网络模型的识别准确度；所述的涂层外观图像缺陷识别的深度神经网络模型，包含卷积神经网络架构YOLOv5-OBB、通道注意力模块、空间注意力模块、特征金字塔非局部块，用于实现对实时采集的涂层外观图像中的缺陷进行多尺度目标分类和定位，得到最终的缺陷检测结果并满足现场涂层外观图像缺陷检测准确率，图像分析服务器针对工业相机采集的涂层外观图像进行实时缺陷分析，并将有缺陷的涂层外观图像实时反馈至数据管理系统，数据管理系统对分析后的图像数据信息进行存储、管理和显示，并通过网络控制器将涂层缺陷信号发送至信号提示器，包括以下步骤： 步骤1：利用高清工业相机拍摄多张航空零部件涂层外观图像，使拍摄的图像覆盖整个航空零部件涂层外观表面，并将所有图像导入图像分析服务器，对拍摄的涂层外观图像人工筛选出涂层缺陷图像，对每一张涂层外观缺陷图像中的涂层缺陷进行分类与定位标注，建立航空零部件涂层外观缺陷图像数据库，对每一张涂层外观缺陷图像中的涂层缺陷进行分类与定位标注时，会生成一张对应缺陷图像的标签文档信息，用于记录缺陷在图像中的坐标位置、缺陷类型等信息；所述的航空零部件涂层外观缺陷图像数据库由涂层外观缺陷图像与对应的标签文档组成； 步骤2：根据涂层外观缺陷图像数据库搭建面向涂层外观缺陷识别的深度神经网络模型，搭建面向涂层外观图像缺陷识别的深度神经网络模型时，深度神经网络模型以涂层外观缺陷图像数据库作为网络模型的输入数据，深度神经网络模型以基于目标识别YOLOv5-OBB架构搭建，设计通道注意力模块、空间注意力模块、特征金字塔非局部块并嵌入深度神经网络模型YOLOv5-OBB中，提升深度神经网络模型对涂层外观缺陷目标区域的特征表达能力，使深度神经网络模型能够提取包含有多尺度和有效目标信息的缺陷特征，以此提升对不同类型缺陷的检测能力， 所述的通道注意力模块的设计过程，包含如下过程： 为了聚集每个特征通道的空间信息，采用了平均值池化和最大值池化，这两种池化方式收集了关于目标的不同重要特征，然后采用一个分数权重网络用于进一步集成两个池化后的特征，给定一个特征图F∈RC×H×W作为输入，同时获得平均值池化特征与最大值池化特征为计算通道注意力特征，将平均值池化特征与最大值池化特征级联生成一个有效的特征表达器并作为得分权重网络的输入张量，分数权重网络由多个卷积层组成用来生成通道注意力缩放特征Schannel∈RC×1×1，为了减少计算量，将两层卷积核的大小分别设置为W1∈RCr×C×2×1和W2∈RC×cr×1×1，其中r为缩减比率，然后利用S形激活函数计算通道注意力缩放特征Schannel，通道注意力缩放特征计算如下式： 式中，SWN代表得分权重网络，Concat代表级联函数，AvgPool代表平均值池化，MaxPool代表最大值池化，σ为S形激活函数，代表卷积运算； 步骤3：利用涂层外观缺陷图像数据库对深度神经网络模型进行训练，直至深度神经网络模型训练损失值收敛，获得最终的涂层外观图像缺陷识别模型，训练时加入图像预处理模块和数据增强模块，提升涂层外观缺陷图像数据库的多样性，使涂层外观缺陷识别模型训练获得更好的泛化性； 步骤4：实时拍摄飞机零部件涂层外观图像，采用涂层外观图像缺陷识别模型，对飞机零部件涂层外观图像进行涂层缺陷识别，将识别结果包括涂层外观的缺陷类型和缺陷坐标实时反馈至数据管理系统，并通过网络控制器将缺陷信号发送至信号提示器工作。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中航西安飞机工业集团股份有限公司，其通讯地址为：710089 陕西省西安市西飞大道一号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。