航空维修中的工具管理关系到航空维修的质量甚至飞行及人员安全。提高工具管理的智能化水平对航空事业的发展有着十分重要的意义。深度学习作为最先进的智能化方法代表,本文在深度学习的基础上对工具管理系统进行设计,将人脸识别、工具识别、字符识别三种图像识别技术应用到工具管理系统,并在QT上设计开发了工具管理界面。以下按顺序介绍本文所作的主要工作:1.介绍了深度学习的基本思想,及典型代表卷积神经网络CNN,凭借其独有的结构在图像识别领域占据极大的优势,同时阐述了智能工具管理系统的需求。2.在现有的深度学习人脸识别算法中选择使用简化版的VGG即Lite VGG算法,并结合MTCNN人脸检测对齐算法实现人脸识别验证,将原VGG与Lite VGG两个网络经训练数据集训练后,在LFW数据集上采用十折交叉验证方法进行测试对比,通过比较生成的ROC曲线和6000对人脸的测试结果,验证了Lite VGG人脸识别方法更加有效,准确性更高,更适合应用于本文的工具管理系统。3.基于Faster RCNN设计了维修工具的识别算法。通过自主建立包含尺度跨度较大工具的五类工具数据集,利用预训练模型进行训练实现,通过测试集测试出,其m AP可达到98%,基本可识别所有工具。对于成箱工具的借还出入库,用图像背景差分法检查是否存在工具缺失,该过程中会用到灰度化、形态学腐蚀、灰度重建、二值化等图像操作。4.使用典型的Le Net网络进行工具字符识别,进行字符识别前会进行两个部分的处理,即字符区域检测和字符分割,字符区域检测包括边缘检测、形态学膨胀腐蚀、字符区域筛选等过程。字符分割包含分割前字符预处理及字符分割两部分,预处理则是对字符进行倾斜校正、二值化和去除无效区域,以使得字符分割的更加准确。5.结合智能工具管理系统的需求以及背景设计数据库,包括人员信息、工具信息、借还记录表,并使用QT设计工具管理界面,将人脸识别,工具识别及字符识别统一到界面实现,由该界面程序完成检测实验,测试人脸识别的准确率、工具的漏检率以及字符识别准确度等指标,基于测试结果分析总结其不足。