基于Tree-CNN 的飞机腐蚀铆钉分类

吉林大学学报(信息科学版) ›› 2020, Vol. 38 ›› Issue (1): 55-63.

基于Tree-CNN 的飞机腐蚀铆钉分类

唐露，王从庆

南京航空航天大学自动化学院，南京210016

收稿日期:2019-09-05 出版日期:2020-01-20 发布日期:2020-02-17
作者简介:唐露( 1994— ) ，女，江苏盐城人，南京航空航天大学硕士研究生，主要从事模式识别与智能系统研究，( Tel) 86- 18551726298( E-mail) tanglunuaa@ nuaa． edu． cn; 王从庆( 1960— ) ，男，南京人，南京航空航天大学教授，博士生导师，主要从事模式识别与智能系统研究，( Tel) 86-13151426390( E-mail) cqwang@ nuaa． edu． cn。
基金资助:
国家自然科学基金资助项目( 61573185)

Corroded Ｒivet Classification Based on Tree-CNN

TANG Lu，WANG Congqing

College of Automation Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China

Received:2019-09-05 Online:2020-01-20 Published:2020-02-17

摘要/Abstract

摘要： 针对目前飞机腐蚀铆钉分类准确率较低，且以手工检测为主的现状，提出一种基于Tree 结构的CNN
( Convolutional Neural Networks) 分类算法用于飞机铆钉腐蚀分类。算法中Tree 的深度和节点数由普通结构的
CNN 分类方法计算得到的铆钉类别的混淆矩阵决定，对于5 分类的飞机铆钉实验，Tree 的深度为3。经实验验
证，所提出的Tree-CNN 模型在飞机腐蚀铆钉数据集上分类精度达到86． 5%，获得了较高的腐蚀铆钉分类准
确率。

关键词: Tree 结构, CNN 网络, 铆钉分类, 混淆矩阵

Abstract: Considering that the accuracy of classification in corroded rivets is low and manual inspection is the
main method，a Tree-CNN ( Convolutional Neural Networks) classification method is proposed． This method is
specially designed for classifying corroded rivets on aircrafts． In order to improve the classification accuracy of
Tree-CNN method，the structure of the tree is determined by the confusion matrix of rivet categories which is
calculated in normal CNN method． The depth of the tree is three for five-classification of corroded rivets．
Experimental results show that by using the Tree-CNN method，the accuracy of classifying corroded rivets can
reach up to 86． 5%，which is effective in classification in corroded rivets．

Key words: tree structure, convolutional neural networks( CNN) network, rivet classification, confusion matrix

中图分类号:

TP391

唐露, 王从庆. 基于Tree-CNN 的飞机腐蚀铆钉分类[J]. 吉林大学学报(信息科学版), 2020, 38(1): 55-63.

TANG Lu, WANG Congqing. Corroded Ｒivet Classification Based on Tree-CNN[J]. Journal of Jilin University (Information Science Edition), 2020, 38(1): 55-63.

[1]	赵盛烨 , 吴文江 , 佟敏 , 李锁 . 基于改进 MFAC 的智能数控系统设计与实现[J]. 吉林大学学报(信息科学版), 2020, 38(2): 160-171.
[2]	王凌燕. 中文字符识别系统的研究与实现[J]. 吉林大学学报(信息科学版), 2020, 38(2): 199-205.
[3]	任悦, 刘铠铭, 杨舒迪, 李林远, 张会珍. 油田管道风险及完整性评价体系构建与应用[J]. 吉林大学学报(信息科学版), 2020, 38(2): 220-226.
[4]	田昊, 刘春萌. 基于双目立体视觉的标定技术及应用[J]. 吉林大学学报(信息科学版), 2020, 38(2): 227-235.
[5]	秦喜文, 郭宇, 董小刚, 郭佳静, 袁迪. 基于局部均值分解和迭代随机森林的脑电分类[J]. 吉林大学学报(信息科学版), 2020, 38(1): 64-71.
[6]	曹峻博. 基于人体测量的小户型室内空间舒适性布局方法[J]. 吉林大学学报(信息科学版), 2020, 38(1): 86-93.
[7]	千承辉, 张昕昊, 陶锦, 刘俊麟. 基于Kinect 的康复训练系统设计与研究[J]. 吉林大学学报(信息科学版), 2020, 38(1): 92-98.
[8]	于再富, 袁满. 融合BabelNet 的多语言智能信息检索模型[J]. 吉林大学学报(信息科学版), 2020, 38(1): 99-106.
[9]	李彦清, 何绍鑫, 赵俊潇, 刘双宇, 任涛. 基于图像技术的钢球精确计数与尺寸识别系统[J]. 吉林大学学报(信息科学版), 2019, 37(6): 631-637.
[10]	胡荣, 崔荣一, 赵亚慧. 基于卷积神经网络的隐式评价对象识别[J]. 吉林大学学报(信息科学版), 2019, 37(6): 638-644.
[11]	付向艳, 蒲伟华, 甘霖. 统一容灾备份技术在高校数据安全中的应用[J]. 吉林大学学报(信息科学版), 2019, 37(6): 664-670.
[12]	郭楠, 张勤, 徐红艳, 郭舒, 刘志国. 基于回复支持的关键评论提取方法[J]. 吉林大学学报(信息科学版), 2019, 37(6): 671-676.
[13]	王文军, 郭玉峰, 林旭光, 郭昊天, 李斌, 刘卫平. 用于轨道交通车载电源性能自动化评测系统[J]. 吉林大学学报(信息科学版), 2019, 37(6): 677-681.
[14]	李炜. 大数据云存储下海量数据传输完整度控制技术[J]. 吉林大学学报(信息科学版), 2019, 37(6): 682-686.
[15]	郭文骏, 陈雄智. 审计信息系统全覆盖联网数据精准定位方法[J]. 吉林大学学报(信息科学版), 2019, 37(6): 695-700.