Разработка автоматизированных средств фиксации моментов воспламенения топлива и срыва пламени методами визуального анализа
Авторы: Янук А.В., Тарасенко А.Н., Панов Е.Н.
Опубликовано в выпуске: #10(166)/2025
DOI: 10.18698/2308-6033-2025-10-2485
Раздел: Авиационная и ракетно-космическая техника | Рубрика: Тепловые, электроракетные двигатели и энергоустановки летательных аппаратов
Апробированы архитектуры нейронных сетей ResNet18, ResNet50, DenseNet121, MobileNetV1, MobileNetV2, MobileNetV3 и их вариации применительно к задаче классификации изображений, получаемых в ходе эксперимента на этапе ввода двигателя в эксплуатацию. Описаны изменения, которым подвергались стандартные реализации рассматриваемых архитектур нейронных сетей, и использованная методика обучения. Применено несколько способов аугментации данных для расширения и балансировки выборки: изменение пространственной ориентации изображений поворотом на 90, 180, 270 град, зеркальное отражение изображения относительно вертикальной оси, изменение цветового тона изображения. Вычислены метрики accuracy, precision и recall для каждого класса изображений; замерено время выполнения одного прохода и количество параметров каждой модели. Составлен набор моделей, удовлетворяющих требованиям по точности классификации, вычислительным и временным затратам на классификацию.
EDN LLAIKF
Литература
[1] Нормы летной годности воздушных судов. Часть 33. Утв. Приказом № 820-17 от 17 ноября 2022 г. Министерства транспорта Российской Федерации, Федерального агентства воздушного транспорта.
[2] Богданов В.И., Голубев П.А., Челышев В.Б. О возможности оценки некоторых высотных характеристик камеры сгорания ГТД в наземных условиях. Вестник Рыбинской государственной авиационной технологической академии им. П.А. Соловьёва, 2012, № 2, с. 91–94.
[3] Гумеров А.Р., Ясовеев В.Х. Оптико-электронная система контроля и оценки эффективности процессов воспламенения топлива в камере сгорания газотурбинного двигателя. Современные проблемы науки и образования в техническом вузе: сб. статей. Уфа, Уфимский государственный авиационный технический университет, 2015, с. 128–132.
[4] Коршак С.А. Нейросетевая модель классификации режимов работы газотурбинного двигателя по материалам объективного контроля. Авиационный вестник, 2023, № 8, с. 54–60.
[5] Howard A., Sandler M., Chu G., Chen L.C., Chen B., Tan M., et al. Searching for MobileNetv3. 2019 IEEE/CVF International Conference on Computer Vision (ICCV). Seoul, Korea (South), 2019, pp. 1314–1324. DOI: 10.1109/ICCV.2019.00140
[6] Tan M., Chen B., Pang R., Vasudevan V., Sandler M., Howard A., Le Q.V. MnasNet: Platform-aware neural architecture search for mobile. 2019 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach, CA, USA, 2019, pp. 2820–2828. DOI: 10.1109/CVPR.2019.00293
[7] Zhang X., Zhou X., Lin M., Sun J. ShuffleNet: An extremely efficient convolutional neural network for mobile devices. 2018 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Salt Lake City, UT, USA, 2018, pp. 6848–6856. DOI: 10.1109/CVPR.2018.00716
[8] He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA, 2016, pp. 770–778. DOI: 10.1109/CVPR.2016.90.
[9] Huang G., Liu Z., Van Der Maaten L., Weinberger K.Q. Densely connected convolutional networks. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, HI, USA, 2017, pp. 4700–4708. DOI: 10.1109/CVPR.2017.243
[10] Howard A.G. MobileNets: Efficient convolutional neural networks for mobile vision applications. 2017. DOI: 10.48550/arXiv.1704.04861
[11] Sandler M., Howard A., Zhu M., Zhmoginov A., Chen LC. MobileNetV2: Inverted residuals and linear bottlenecks. 2018 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Salt Lake City, UT, USA, 2018, pp. 4510–4520. DOI: 10.1109/CVPR.2018.00474
[12] Kingma D.P., Ba J. Adam: A method for stochastic optimization. 3rd International Conference for Learning Representations, San Diego, 2015. DOI: 10.48550/arXiv.1412.6980
[13] Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge, MIT Press, 2016, 775 p.
[14] Ioffe S., Szegedy Ch. Batch normalization: Accelerating deep network training by reducing internal covariate shift. 2015. https://doi.org/10.48550/arXiv.1502.03167
[15] He K., Zhang X., Ren S., Sun J. Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Santiago, Chile, 2015, pp. 1026–1034. DOI: 10.1109/ICCV.2015.123