基于深度学习的发动机叶片缺陷检测研究

基于深度学习的发动机叶片缺陷检测研究

丘林丰 江龙刚

350823199008106731    362204198708101410

摘要：本文提出了一种基于改进深度学习模型的航空发动机叶片缺陷检测方法。系统采用模块化架构，包括图像采集、数据预处理、深度学习检测和结果输出四个功能模块。在深度学习模型设计上，以ResNet50为骨干网络，引入双重注意力机制和改进的特征金字塔结构，提升了模型对缺陷特征的提取能力。实验在包含2000张叶片图像的数据集上进行，结果表明该方法在四类典型缺陷(裂纹、腐蚀、磨损和凹坑)的检测中取得了94.8%的平均检测准确率，优于现有的Faster R-CNN、YOLOv5和RetinaNet等检测算法。该方法在保证检测精度的同时，实现了75毫秒/张的处理速度，满足实时检测需求，为提高航空发动机叶片检测的自动化水平提供了有效解决方案。

关键词： 航空发动机叶片；缺陷检测；深度学习；双重注意力机制；特征金字塔网络

航空发动机是现代航空器的核心动力装置，其中发动机叶片在高温、高压和高速运转等恶劣工况下长期工作，容易产生裂纹、磨损、腐蚀等各类缺陷。这些缺陷如果得不到及时发现和处理，可能导致叶片断裂，引发灾难性事故[1]。传统的发动机叶片检测方法主要依靠人工目视检查，这种方法不仅效率低下，而且检测结果往往受检测人员经验和主观判断的影响较大。随着计算机视觉和人工智能技术的快速发展，基于深度学习的缺陷检测方法因其强大的特征提取和模式识别能力，在工业检测领域展现出巨大的应用潜力。

1 系统总体设计

1.1 系统架构设计

本文设计的发动机叶片缺陷检测系统采用模块化架构，主要包括图像采集、数据预处理、深度学习检测和结果输出四个功能模块。在图像采集模块中，使用工业相机对叶片表面进行拍摄，采用环形光源提供稳定的照明条件，并通过可编程控制平台实现图像采集的自动化。数据预处理模块负责对采集的原始图像进行增强和标准化处理，包括光照补偿、噪声消除、图像分割等操作，为后续的深度学习检测提供质量可靠的输入数据[2]。检测模块是系统的核心，采用改进的深度卷积神经网络实现叶片表面缺陷的自动检测和分类。结果输出模块将检测结果可视化显示，并生成检测报告，支持检测数据的存储和管理。各模块之间通过统一的数据接口进行连接，保证系统运行的高效性和可靠性。

1.2 数据采集与预处理方法

针对发动机叶片表面成像的特点，本文设计了专门的图像采集方案。在硬件配置上，选用分辨率为4096×3072的工业相机，配备35mm定焦镜头，保证图像清晰度满足缺陷检测要求。照明系统采用可调亮度的LED环形光源，通过优化光源角度和亮度参数，有效减少叶片表面的反光和阴影干扰。图像预处理采用多阶段处理策略，首先进行自适应直方图均衡化，改善图像对比度；然后利用双边滤波算法去除噪声，同时保留边缘信息；最后通过形态学操作提取叶片区域，消除背景干扰[3]。为增强算法的鲁棒性，在预处理阶段还引入了基于图像质量评估的自动参数调整机制，确保输出图像质量的一致性。

1.3 深度学习检测模型设计

本文提出的深度学习检测模型以ResNet50为骨干网络，并针对发动机叶片缺陷检测的特点进行了多项改进。首先，在特征提取层面，引入空间注意力机制和通道注意力机制的双重注意力模块，增强模型对缺陷区域的感知能力。通过将空间维度和通道维度的注意力信息进行自适应融合，提高了特征表示的判别性。其次，考虑到叶片缺陷的多尺度特性，设计了改进的特征金字塔网络结构，实现不同层级特征的有效融合。在特征金字塔的每个层级上，采用可变形卷积替代标准卷积，提升了模型对不规则形状缺陷的建模能力。此外，针对检测任务的特点，优化了损失函数设计，将分类损失和定位损失结合focal loss机制，缓解了样本不平衡问题，提高了模型对小目标缺陷的检测敏感度。

2 实验结果与分析

2.1 实验环境与数据集

本研究的实验环境采用Intel Core i9-12900K处理器，配备NVIDIA RTX 4090显卡和64GB内存。深度学习框架使用PyTorch 2.0，在Ubuntu 22.04系统下进行训练和测试。实验数据集包含2000张发动机叶片表面图像，其中1500张用于训练，500张用于测试。这些图像来自某型号航空发动机维修现场，包含裂纹、腐蚀、磨损和凹坑四类典型缺陷。为提高数据集的代表性，采集时充分考虑了不同光照条件、拍摄角度和缺陷尺寸的影响。所有图像均由具有丰富经验的工程师进行标注，确保标注质量。此外，通过旋转、缩放、添加噪声等数据增强技术，将训练集扩充至6000张，增强模型的泛化能力。

2.2 模型训练与参数优化

模型训练采用分阶段策略，首先使用ImageNet数据集预训练backbone网络，然后在叶片缺陷数据集上进行微调。训练过程中使用Adam优化器，初始学习率设为0.001，采用余弦退火策略动态调整学习率。考虑到硬件资源限制，batch size设置为16，训练轮次为100轮。为防止过拟合，采用权重衰减系数为0.0005的L2正则化，并引入dropout机制，dropout率设为0.5。在验证集上的实验表明，当训练轮次达到80轮时，模型性能趋于稳定。通过网格搜索方法对关键超参数进行优化，包括注意力模块的通道压缩比、特征金字塔的层数以及损失函数中各项的权重系数，最终确定了最优的参数组合。

2.3 检测性能评估与分析

本文从检测准确率、召回率、F1分数和检测速度等多个方面评估了模型性能。在测试集上的实验结果显示，改进后的模型在四类缺陷的平均检测准确率达到94.8%，召回率为92.5%，F1分数为93.6%，相比基准模型分别提升了3.2%、2.8%和3.0%。特别是对于面积较小的裂纹缺陷，通过引入双重注意力机制和改进的特征金字塔结构，检测准确率从85.3%提升至91.2%。在检测速度方面，单张图像的平均处理时间为75毫秒，满足实时检测要求。分析结果表明，模型在各类缺陷上表现均衡，对光照变化和噪声干扰具有良好的鲁棒性。通过可视化分析模型的注意力图，发现改进的注意力机制能够有效捕捉缺陷区域的关键特征，提高检测的可靠性。

2.4 与现有方法的对比分析

为验证本文方法的优越性，选取了三种典型的目标检测算法进行对比实验，包括Faster R-CNN、YOLOv5和RetinaNet。实验在相同的数据集和评估指标下进行，确保比较的公平性。结果显示，本文提出的方法在各项性能指标上均优于对比算法。在检测准确率方面，比Faster R-CNN高2.5%，比YOLOv5高1.8%，比RetinaNet高3.1%。在处理速度方面，虽然略逊于单阶段检测器YOLOv5，但显著优于Faster R-CNN和RetinaNet。进一步分析表明，本文方法在处理复杂背景和小目标缺陷时具有明显优势，这主要得益于改进的特征提取和多尺度检测策略。此外，通过分析不同算法的漏检和误检样本，发现本文方法在应对叶片表面反光、阴影等干扰因素时表现更为稳定。

结论

本文针对发动机叶片缺陷检测问题，提出了一种基于改进深度学习模型的检测方法。通过引入双重注意力机制和改进的特征金字塔结构，提高了模型对不同类型缺陷的检测能力；采用迁移学习和数据增强技术，有效解决了样本不足问题。实验结果表明，该方法在检测准确率、召回率和F1分数等指标上均优于现有方法，平均检测准确率达到94.8%，且具有良好的实时性能。研究成果对提高航空发动机叶片检测的自动化水平和可靠性具有重要的实践意义，同时提出的模型改进策略也可为其他工业检测任务提供参考。

参考文献

[1]邸三虎.无损检测技术在航空发动机叶片故障自动检测中的应用[J].模具制造,2024,24(08):246-248.

[2]陈纪宗.基于深度学习的航空发动机涡轮叶片烧蚀检测研究[D].中国民用航空飞行学院,2024.

[3]程亚茹,李湉,薛辉,等.航空发动机叶片表面损伤与检测研究进展[J].航空发动机,2024,50(02):32-44.