王耀南院士团队 | 基于网络架构搜索的航发叶片表面缺陷检测方法及系统

#工业软件

，#航空发动机，#缺陷检测，#自动化质检，#实时语义分割，#模型轻量化

研究意义

航空发动机作为现代工业的“皇冠上的明珠”，其核心部件——涡轮叶片的稳定运行对于航空器的安全飞行具有至关重要的作用。当前我国的高端制造业蓬勃发展，航空发动机需求量逐步提高，其制造过程中不可避免地会产生各种缺陷。若这些缺陷未能在质检环节及时发现，可能会引发发动机停机等严重飞行事故，导致巨大的经济损失、人员伤亡，甚至造成不可估量的负面影响。因此，开发高效、精准且自动化的缺陷检测技术已成为航空工业亟待解决的关键问题。

本文工作

为了解决上述问题，本文提出了一种适用于工业低算力场景的航发叶片缺陷检测方法，称为基于网络架构搜索的多尺度高低频特征聚合分割方法，并将其部署到一套涵盖叶片自动上下料、拍摄视点智能规划、高精高效缺陷检测、缺陷误检检出和综合评估环节的自动化质检系统。该方法能够在保证一定分割精度的前提下，实现高效的检测，以应对航发叶片质检线上大规模、高流量的检测需求。

图1 基于网络架构搜索的多尺度高低频特征聚合分割方法网络结构图

本文的创新点如下：

(1) 针对航发叶片的复杂缺陷设计了一个自适应知识图谱驱动的轻量搜索空间，采用神经网络架构搜索算法来自动设计网络架构。通过对网络的参数进行动态搜索，选择最优的通道数、卷积核大小和扩展比率等参数，采用双阶段搜索策略与权重共享机制，从而提取出具有高精度分割能力的低参数子网模型，实现模型的轻量化。

(2) 设计了一个双分支的网络结构来提取缺陷特征。第一个分支为高分辨率残差分支，负责提取并为分支二补充空间细节信息，保持高分辨率的特征图以确保对缺陷细节的整体把握；第二个分支为高低频分离多尺度聚合分支，负责提取全局和细节信息，通过高低频分离模块和特征金字塔结构来聚合不同尺度的特征信息，从而提升对复杂缺陷的辨别与分割能力。

(3) 使用高清工业相机采集航发叶片图像构建数据集，并将所提出的MSFA方法在该数据集上进行训练及测试。测试结果表明，本文所提出的MSFA在分割精度、参数量和推理速度上均优于现有的主流分割模型，实地的航发叶片质检系统部署表明本方法能够满足工业生产中高效、高精度和低成本的需求。

图2 自动化质检系统流程图

实验结果

为了证明本文方法的有效性，本文与近年来的分割模型进行了对比，不仅包含了CNN与Transformer架构的模型，而且涵盖了轻量化的模型与实时分割模型。本文将方法在自建数据集ABSD3与公开数据集MTDD上进行测试，结果如下表所示：

结果证明本文所提出的分割方法能够适应不同的工业表面缺陷图像，轻量级的参数能够部署在消费级GPU上，能够有效平衡模型复杂度与实用性的权衡关系。系统的实地部署证明了本文方法及系统的实用性。