结冰是影响飞机飞行安全的重要因素之一,飞机从设计制造到投入运营,都必须关注飞机结冰问题,对飞机关键部位的结冰探测也尤为重要。目前,常用的单点结冰探测器只能提供结冰信号,难以给出飞机某一区域整体的结冰状态;目视探测又往往存在一些经验上的判断,只能作为飞机结冰的辅助探测装置。为了实现机翼结冰的精确化、具体化识别,本文提出一种基于改进U-Net的机翼结冰冰形识别方法,完成对机翼结冰冰形的像素级识别。首先,针对机翼结冰图像样本采集困难、成本高昂的问题,本文设计并搭建了简易冰风洞结冰实验平台模拟风速0～18.5m/s;平均过冷水滴直径26.3～32.5 m;水滴含量0.8～0.9g/m~3;温度-15～0℃的机翼结冰环境条件,进行机翼结冰实验并采集机翼模型结冰图像样本。结合高斯噪声、HSV变换等图像处理方法实现样本增强,构建机翼结冰图像样本集,用于机翼结冰冰形识别的神经网络训练。其次,针对结冰透明度高、冰形边界模糊的问题,本文在U-Net网络模型跳跃连接通道加入CBAM,搭建了Att U-Net网络模型,通过对下采样过程特征图进行通道和空间注意力处理,提高网络模型对冰形边界的识别能力。对比实验得出,引入CBAM的Att U-Net网络模型对机翼结冰测试集图像样本中的识别查全率达到了93.48%,相较于U-Net网络模型提高了8.69个百分点。针对机翼结冰图像样本存在多因素的干扰,图像样本背景复杂,导致U-Net网络模型识别精确率低下的问题。本文引入残差模块构建RU-Net网络模型,以防止训练过程中出现梯度消失的问题,更进一步挖掘结冰区域特征,区分背景干扰,以提高U-Net网络模型识别精度。对比实验结果表明,引入残差模块的RU-Net网络模型对机翼结冰测试集图像样本识别精确率达91.49%,远高于78.32%的U-Net识别效果。为了U-Net网络模型能够同时具备对复杂背景的抗干扰能力和冰形模糊边界的精确识别能力,将CBAM和残差模块进行整体融合并入U-Net结构,同时在网络模型的输出端加入形态学处理算法,构建针对机翼结冰冰形识别的改进U-Net网络模型。在相同软硬件平台进行U-Net、Att U-Net、RU-Net以及改进U-Net网络模型的性能对比实验,结果与U-Net网络模型相比,识别查全率和精确率分别提升11.98、17.00个百分点,验证了改进模块对网络模型性能的提升。利用改进U-Net网络模型对蓝天、阴天背景以及不同翼面logo的机翼结冰图像样本进行识别测试,精确率均在90%以上,验证了网络模型的泛化能力。最后,利用改进U-Net网络模型对机翼结冰过程第5min、10min和20min的图像样本进行识别,结果表明,在机翼结冰初期,机翼前缘区域会迅速与过冷水滴碰撞并在整个区域内形成薄冰,随着时间的推移,翼面结冰面积变化较小。通过统计改进U-Net网络模型识别结果中结冰区域所占像素个数的方法,直观的反映出机翼结冰过程中结冰区域面积的变化,充分的验证了改进U-Net网络模型对机翼结冰区域面积变化的感知能力。