两机叶片丨湖大：基于网络架构搜索的航空发动机叶片表面缺陷检测方法及系统

航空发动机被誉为现代工业“皇冠上的明珠”，其核心部件——涡轮叶片的稳定运行是确保航空器正常飞行、保障军事作战效能以及航空运输安全的关键因素，航空发动机、涡轮叶片及其缺陷示例如图1所示。随着航空产业的蓬勃发展，航发叶片的产量也逐年攀升。然而，航发叶片在制造过程中不可避免地产生各式缺陷，若未在质检环节及时发现，极易造成发动机爆炸等严重的飞行事故，导致巨大的经济损失和人员伤亡。因此，开发高效、精准且自动的缺陷检测技术已成为航空工业亟待解决的关键问题。

图1（网络版彩图）航发叶片的缺陷样例。左边展示的是航空发动机及其内部结构与本文的研究对象航空发动机涡轮叶片，右边展示了不同尺度、不同位置的缺陷。

本文调研发现，当前行业中的航发叶片缺陷检测方法仍以传统方法为主，这些方法主要依赖于人工目视检测，且受限于检测人员的经验水平，难以保证检测结果的可靠性与快速性，无法满足航发叶片精准高效的检测需求。无损检测方法的出现提高了检测效率，例如涡流检测、超声波检测、射线照相检测等，这些仪器辅助检测方法借助物理原理实现了更细致的缺陷检测，但是其通常需要熟练的技术工人操作专业的检测设备，并且无法直观地给出缺陷检测结果，同时这些方法在应对复杂的几何结构与材料时，可能会受到干扰。视觉检测技术作为一种新兴的检测手段，在可视化及缺陷分析方面极具优势，在过去的十几年中，随着计算机技术的发展，机器学习方法，例如阈值分割、支持向量机、边缘检测等，已经被广泛应用于钢材、铁轨、磁瓦等工业产品的表面缺陷检测中，这些方法可能取得了一定的成功，但是其具有的弱泛化性并不适用于纹理复杂的航发叶片，例如对于一些微小、隐蔽的缺陷容易出现漏检或误检的情况，无法完全满足精准检测的要求。

近年来，随着计算机视觉研究的深入，基于深度学习的缺陷检测算法被应用到航发叶片的缺陷检测中，这些方法多采用深层的神经网络结构，利用大规模的标注数据集进行监督训练，并借助复杂的训练策略，通过对高维数据中复杂特征映射的挖掘，在理论上能够提供更高的检测精度，但这些方法通常需要大量的计算资源支持，而且检测过程耗时较长，难以满足真实的工业生产线上高流量、实时检测的需求。此外，随着网络层次的不断加深，反复的池化和卷积操作容易使小型或微弱的缺陷特征变得模糊，甚至完全丢失，进而影响最终的分割精度。

值得注意的是，现有关于缺陷检测方法的研究与工业生产场景的深度融合仍存在明显局限性。多数方法仅基于处理后的叶片图像进行训练与测试，其研发过程与工业生产、质检流程完全解耦，此类公开或专有的数据集需经人工采集、筛选与标注等离线处理环节，随后才应用于模型中，难以支撑智能制造体系所需的端到端闭环检测能力。近期研究进展显示，部分学者已尝试将自动化引入到叶片图像的采集工作中，文献将四自由度的运动平台与工业相机用于拍摄，并通过环形光源调控实现了图像采集过程的自动化。文献通过机械臂将叶片从储物柜抓取并送入多相机工作站，多方位的相机拍摄叶片的不同部位后，机械臂再将叶片归位，初步实现了物料输送环节的自动化。然而上述研究仍未形成完整的闭环集成体系，例如叶片的装夹定位仍需人工介入，视觉采集的位姿规划依赖先验轨迹设定，这种预设轨迹规划机制限制了系统的自适应能力，制约了全自动化质检的落地应用。

为了应对这一系列问题,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(multi-scale separate-frequency feature aggregation segmentation method,MSFA)，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。本项研究已与一家国内的航空发动机公司进行合作，将自动化质检系统在工业现场进行了应用，实践证明了本文的方法能够在工厂中有限的计算资源下快速准确地检测出航发叶片的缺陷，本文的贡献归纳如下。

·采用网络架构搜索构建轻量化模型。本文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（neural architecture search，NAS）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。

•针对缺陷特征设计双分支分割网络。本文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。

●基于航发叶片进行实验。本文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。

航发叶片缺陷检测算法。航发叶片具有复杂的表面曲线，缺陷面积小、形态多变、辨识困难，随着科技和自动化技术的不断进步，检测范式已从传统人工目视转向机器视觉主导。非机器学习的方法中，文献使用Lamb波成功检测运行中的叶片产生的损伤。Zhang等通过变换矩阵和重叠面积比较的方法检测损坏的叶片，将检测缺陷变为自动化的过程。深度学习的方法中，卷积神经网络（convolutional neural networks，CNN）被广泛应用，文献的作者针对航发叶片表面缺陷面积小的问题提出了一种由粗到细的检测框架，将高分辨率图像裁小然后将大面积的背景剔除，再对有缺陷的区域进行检测。文献中作者提出了一种聚焦多尺度纹理特征融合的网络，用于处理内窥镜拍摄的图像，实现缺陷自动检测。文献提出了由语义先验挖掘模块、缺陷增强感知模块和全局信息提取模块构成的模型，能够识别出航发叶片微弱的特征。本文提出的MSFA方法在现有的深度学习方法上进行了改进，采用了双分支网络结构来提取缺陷特征，使用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，使用高分辨率残差分支来获取全局的特征信息，从而提升对复杂缺陷的精细化分割能力。

神经网络架构搜索算法。神经网络架构搜索(NAS)通过数据驱动方式自动生成最优网络架构，现已成为计算机视觉领域的核心技术。早期研究多采用全网架构搜索范式，受限于计算资源需求未能广泛应用。后续研究聚焦于搜索空间与策略的协同优化，对于搜索空间，NASNet通过复用算子单元来缩减搜索空间的大小,从而降低计算复杂度。LiDNAS在预先定义好的网络骨架上搜索，来缓解网络层的多样性与搜索空间大小之间的对立关系。对于搜索策略，DARTS将搜索方法转化为连续可微的形式，从而运用梯度下降方法到搜索过程中。在这基础之上，DATA进行了改进，它提出了Gumbel-softmax预估器来实现将搜索阶段的架构迁移到验证阶段中。P-DARTS使用渐进式的搜索架构来解决DARTS中性能崩溃的问题。在图像分割的研究中，AutoDeepLab作为一项开山鼻祖的工作首次将基于梯度优化的搜索策略用到了分割任务中。在工业领域，文献使用了NAS预测钢裂纹的缺陷类别。NAS-ASDet构建了一个专用于工业表面缺陷的搜索空间，用渐进式的搜索策略实现了表面缺陷检测。本文提出的MSFA方法创新性地将NAS引入航发叶片缺陷检测，通过构建更大的轻量化搜索空间并配合双阶段训练策略，从而获取性能最优的子网。

轻量化分割算法。工业场景中对实时性和高效性的要求极为严苛，现有的深度学习算法因为其庞大的参数量和高昂的计算开销，难以将算法部署应用到计算资源受限的工业场景中，促使研究者采用轻量化设计提升模型效能。一方面，研究者聚焦优化卷积算子来减少模型的计算量，如MobileNet系列采用深度可分离卷积，极大地降低了参数计算量和模型大小，使得模型在移动端等资源受限设备上仍能运行。另一方面，研究者通过优化网络结构来减少参数量，SqueezeNet提出了一种全新的架构设计理念，仅使用少量的参数便实现了与较大模型相当的性能表现，进一步推动了轻量化算法在图像分割领域的应用。Fast-SCNN通过分担共享不同分支的网络计算量，以构建能够快速分割图像的卷积神经网络。DDRNet通过优化网络的结构，采用了双分支结构、多尺度上下文信息提取模块，在不同分辨率的情况下提取特征，进行多次双边融合从而减少了参数量，实现了实时语义分割。PIDNet更进一步，设计了三分支网络架构，受启发于自动控制原理，它通过不同的分支来并行解析上下文和边界信息，提高了实时检测速度。本文将轻量化的算子融入搜索空间中，采用搜索的方式寻找最优最轻量的网络，从而实现工业场景中实时且准确的要求。

3.1 网络概览

本文提出了一种基于网络架构搜索的多尺度高低频特征聚合分割方法(MSFA)，用于精准快速地分割航发叶片图像中的缺陷。该方法具有双分支超网结构，通过模拟进化的方式在自适应知识图谱驱动的搜索空间中搜索，得到性能最优的子网，整体框架如图2所示。

图2 （网络版彩图）MSFA 概览。图中展示了高分辨率残差分支与高低频分离多尺度聚合分支的详细结构。

MSFA包含高分辨率残差分支（high-resolution residual branch，HRB）和高低频分离多尺度聚合分支(separate-frequency multi-scale aggregation branch，SMAB)2个分支，HRB在维持分辨率为输入图像I分辨率1/8的情况下提取高分辨率缺陷特征(F_HR),为后者提供丰富的细节特征信息；SMAB通过高低频分离模块（separate-frequency module，SFM），将特征分解为高频特征F_H和低频特征F_L,逐级获取高级特征中的高频信息，保留特征图中的细节，通过低频特征获取特征图中的全局信息，随后由多尺度特征融合模块（multi-scale feature aggregation module，FAM）将SMAB中不同尺度下的高低频特征聚合，并结合HRB中高分辨特征信息F_HR进行细节补充。最后，融合特征F经过一个轻量化的解码器，生成最终的分割结果M。这一过程可表示为

3.2 搜索设置及过程改进

现有工业检测模型多依赖人工经验设计，存在设计主观性高、泛化能力弱等问题，难以适应航发叶片尺寸多样、表面曲线复杂的检测场景。为此，本文采用了神经网络架构搜索(NAS)来设计航发叶片表面缺陷分割框架。

双阶段搜索策略。本文将搜索的过程分为两个阶段，超网训练阶段与进化算法阶段。在超网训练阶段，本文构建并训练一个超网S(supernet)，该超网包含所有子网络S_sub(subnet)的集 合，其搜索空间为A，包括各层的通道数C、卷积核大小K、扩展比率R、高低频分离比率α、高低频分离块数N等可搜索的参数，其中α与N专为航发叶片而设计。在训练过程中，每次迭代随机采样一个子网络架构a∈A，使用批次数据D_batch进行训练。此外，本文采用权重共享机制，子网更新的权重W_sub将直接更新至超网权重W中。这种方法使得单次训练能够同时优化搜索空间A中的大量子网架构，显著提高了训练效率，具体过程如算法1所示。在进化算法阶段，本文基于预训练的超网权重W，使用进化算法搜索最优子网结构a^∗，采样的子网a将直接继承超网权重，本文首先在子网参数量的约束下，随机采样n个候选配置作为初始种群P={a₁,a₂,...,a_n}，定义进化阶段的目标函数为

即寻找种群P中最大化平均交并比（mean intersection over union，mIoU）的子网。在每个迭代周期中执行以下步骤：(1)在测试集上对候选配置a_i评估性能并计算参数量，其中i∈{1,2,...,n}；(2)保留性能最优的Top_k个配置；(3)根据变异概率对配置a_i的各个维度进行随机扰动，以引入遗传变异；(4)根据交叉概率对P中的不同配置参数进行交叉操作，以融合优势特征；(5)重复以上步骤直至达到预设的迭代次数。进化搜索模拟了自然选择过程，遵循“适者生存”的原则，能够高效地探索搜索空间，逐步收敛到性能与参数量平衡的最优配置a^∗。最优子网a*继承超网权重W在训练集上进行微调，以进一步优化检测性能，具体过程如算法2所示。通过这种双阶段的搜索策略避免了独立训练所有候选架构所需的巨大计算开销，并能够根据目标函数找到最优网络结构a^∗，实现了自动的神经网络架构搜索。

搜索空间。单层神经网络因感受野受限难以识别多尺度目标，多层网络通过层级堆叠可实现多尺度特征提取，但固定尺寸卷积核难以适配形态多样的目标。为此，本文在搜索空间A中探索动态尺寸的卷积核，涵盖3×3，5×5和7×7。小尺寸卷积核通过局部敏感性捕获低级微缺陷，大尺寸卷积核借助广域感受野提取高级宏观缺陷特征，从而实现对缺陷特征多粒度感知。针对工业场景实时性与精度的双重要求，本文提出通道维度自适应优化策略，实现对网络扩张维度R与阶段输出通道数C联合调优。此外，考虑到航发叶片表面存在的多样纹理及缺陷区域高频细节特征，进一步建立高低频分离比率α的优化机制，以强化对高频信息的捕捉能力。

权重共享机制。航发叶片的全生命周期中，因制造工艺及服役环境不确定性，易产生形状、尺寸异于已知缺陷的新型缺陷。针对此，模型需要具备快速迭代和更新的能力，以适应新的缺陷特征。传统独立训练策略因搜索空间A中算子权重需独立更新，导致计算复杂度随候选模块数量呈线性增长，难以优化计算效率。本研究设计的双分支超网架构S采用权重共享机制，通过统一权重池W实现权重共享，使任意候选子网权重W_sub满足W_sub⊂W，训练阶段同步优化所有子网共享权重。当检测到新型缺陷时，利用进化算法从预训练超网中快速搜索最优架构a^∗,其权重直接继承自共享权重池W_sub，避免传统重训练的高计算开销。该机制相较于独立训练策略的O(N)复杂度，将搜索复杂度降至常数级O(1)，显著提升资源受限场景下的架构优化效率。

3.3 高分辨率残差分支

在本文提出的双分支分割网络架构中，网络上部的分支为高分辨率残差分支HRB，它通过可搜索的残差块来提取特征，同时维持空间分辨率为原始输入大小的1/8，有效避免了下采样操作导致的细节信息损失。HRB中采用分层级联的可搜索残差块（searchable residual block，SRB）作为基础模块，其结构参数θ=[B,K,C_in,C_out,R]均纳入搜索空间A中，其中B为残差块SRB的数量，卷积核尺寸为K，输入通道数为C_in，输出通道数为C_out，扩展比率为R.SRB的前向传播过程可以表示为

其中，F_in和F_out分别为输入和输出特征。HRB中结构参数的搜索性使网络能自适应优化结构，此外，HRB输出的高分辨特征作为监督信号，对下部分支的语义信息提取具有细节补充作用。

3.4 高低频分离多尺度聚合分支

在本文提出的双分支分割网络架构中，下部的分支为高低频分离多尺度聚合分支SMAB，它由高低频分离模块SFM和多尺度特征融合模块FAM组成。

高低频分离模块。针对航发叶片多样纹理与缺陷-背景相似性问题，本文基于频域分解理论设计了高低频分离模块SFM，如图3所示，将输入特征图分解为包含纹理、边缘和细节信息的高频分量F_H与承载背景、区域和整体结构信息的低频分量F_L。SFM具有双路径架构：高频路径通过自适应卷积核组提取局部纹理特征，增强微缺陷辨识能力；低频路径采用大感受野空间聚合操作捕获全局语义信息。两路径经通道重标定后通过注意力机制动态融合，实现高频特征选择性增强。设第l层输入特征F^l−1，其前向传播定义为

其中T为频率变换函数。具体实现中，通过可搜索参数α按通道比例(α_inc_in:(1−α_in)c_in)划分高低频分量，低频分支经平均池化下采样至1/2尺寸，N次处理后通过跨层级聚合输出α_out比例特征。该模块通过三级级联结构实现由粗到精的多粒度特征提取。

图3 （网络版彩图）可搜索的高低频分离模块。图中展示了高低频分离模块的结构，其中高低频分离比率α与块数量N均为可搜索的参数。

特征F，表示为

4.1 实验设置

数据集。本文在ABSD³(aero-engine blade surface defects detection dataset)数据集和磁瓦数据集(magnetic tile defect datasets，MTDD)两个基准平台上对提出的方法进行系统性评估。其中，ABSD³数据集是由本文提出的具有挑战性的航空发动机涡轮叶片缺陷分割数据集，包含了2412张高分辨率近场成像样本，每张图像均经过像素级精细标注，并按照7：2：1划分为训练、验证和测试集。ABSD³数据集涵盖了多种涡轮叶片生产过程中高频次出现的表面缺陷形态，包括划痕、孔洞、裂纹等。这些缺陷形态各异且尺度变化显著，在不同光谱响应和表面反射条件下呈现出复杂的视觉特征。本文使用自动化全覆盖成像模块采集数据（在4.4小节中介绍），特别针对航发部件精密制造特性，利用多通道、多光谱的光源照射，对航发叶片进行近场全覆盖成像，通过自动数据采集与筛选，确保该数据集的缺陷特征在空间分布和形态表征上具有均衡性，充分模拟真实工业质检场景的复杂工况。数据标注工作由具备航空制造资质的专业质检工程师和计算机视觉缺陷检测专家共同完成，通过建立双盲校验机制与交叉验证，确保了每个像素级标签都具有语义准确性和一致性的特点，为本文方法的训练与评估提供了可靠的数据支撑。此外，本文还采用MTDD数据集用于补充验证，其包含了1344张磁瓦表面图像，涵盖了气孔、裂纹、磨损、断裂、不均五类典型磁瓦缺陷，均已被像素级地精准标注，具有显著的跨域泛化特性，已成为缺陷检测领域广泛采用的基准测试平台。

评价指标。本文使用3个关键指标来评估本文所提出的方法,分别是交并比IoU(intersection over union),参数量#Params(number of parameters)和推理速度FPS(frames per second)。交并比能够表明模型对于图像的分割精度，体现出模型对于细节的捕捉能力。参数量体现出模型的空间及显存占用能力，通常以百万(M)为单位进行计算。推理速度衡量了模型从输入图像到检测出缺陷的时间效率，FPS越高意味着每秒钟能够分割越多的缺陷。通过以上3个指标，能够准确而全面地评估本文的方法与其他分割方法在ABSD³和MTDD数据集上的性能表现。

实现细节。本文采用PyTorch框架实现所提出的模型，训练与测试均使用了一台具有80颗核心，配备Intel(R) Xeon(R) Gold 6242R CPU @3.10 GHz (256GB RAM)和NVIDIA GeForce RTX 4090的电脑,系统为Ubuntu 20.0464bit。在模型的训练阶段,本文将原始的1024×1024图像缩小到512×512，并通过随机旋转与规格化进行数据扩充与归一化。

表1 对比实验。粗体文字代表最优的指标。

4.2 对比实验

为了证明本文提出的MSFA的有效性，本文与近年来最先进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。本文与代码开源的方法进行比较，并且所有的对比实验都使用相同的脚本重新训练、评估。实验结果如表1所示。

实验数据表明，在ABSD³数据集上的指标评估中，本研究提出的MSFA相较于次优模型PIDNet展现出显著优势。在模型参数规模与推理速度更优的条件下，IoU指标提升了7.4%，充分验证了MSFA在航发叶片分割任务中的有效性，该模型能够精准捕获并有效整合图像中的多层级语义特征。与轻量化模型ESPNetV2相比，MSFA在保持7.9%推理速度优势的同时，IoU指标获得39.7%的显著提升。相较于U-Net模型，本文方法实现了60.7%的提升。对于参数量庞大的Segformer模型，MSFA在分割精度、推理效率及模型复杂度3个维度均呈现全面优势。与同量级的DDRNet相比，在保持相近推理速度与参数规模的前提下，IoU指标提升达10%。在MTDD数据集上的补充实验显示，MSFA继续保持了最优的结果，IoU指标达到81.75%，较其他基准模型提升显著。综合分析表明，本文提出的MSFA可以通过网络架构搜索适应不同的工业表面缺陷图像，具有显著的技术优势。尽管本模型参数规模略高于部分轻量化架构，但其卓越的硬件适应性使其可高效部署于消费级GPU平台，这一特性有效平衡了模型复杂度与实用性的权衡关系。

同时，图4通过可视化对比揭示了本方法与基准模型的分割性能差异。其中，第1和2行样本源自ABSD³数据集，第3和4行取自MTDD数据集。结果表明，MSFA框架在处理多尺度缺陷时展现出显著优势，而现有方法往往难以捕捉到小尺寸缺陷的纹理细节，且容易在处理大尺寸缺陷时丢失部分特征。归因于高低频分离多尺度聚合分支，本文的方法在高频特征通道捕获精细纹理模式，同时在低频通道保留全局结构信息。此外，得益于高分辨率残差分支，MSFA对纹理、边缘等细节信息的提取和融合能够准确分割在视觉上极度相似的缺陷，而其他模型会出现不同程度的漏检和误检。在面对缺陷特征不平衡的情况下，MSFA依然展现出了其适应性，说明NAS搜索得到的最优子网能够在数据分布不均、尺度不一的情况下仍然保持鲁棒性。另外，注意到因拍摄角度出现叶片表面反光等现象时，本文的方法依然能够准确地识别和分割出缺陷区域。

4.3 消融实验

本文为了评估MSFA的关键组件及其对最终性能的影响，本文基于ABSD³数据集进行了多组消融实验：NAS搜索出的网络与随机搜索的网络、高低频分离比率的变化、MSFA分支及模块的消除，通过这些实验，本文能够量化不同的模型组件对模型性能的影响。

图4 本文模型与其他模型在ABSD³与MTDD数据集上的可视化结果，其中第1和2行源自ABSD³，第3和4行源自MTDD。

表2 消融实验

默认情况下，修改模型架构进行的消融实验均与从头训练的最优子网进行比较，因为修改子网络结构后无法继承超网权重，因此消融实验的训练方式均为随机初始化模型权重，随后进行模型训练。消融实验的基线为“Initial”。值得注意的是，对于搜索得到的最优子网，通过继承超网权重进行微调会实现更快的收敛并达到更高的前景IoU。

NAS方法消融实验。本文评估了NAS搜索对模型性能的影响。本文通过随机搜索（random search）的方式在搜索空间中随机采样子网，以构建随机搜索情况下的非最优网络模型，实验结果如表2(a)和图5所示，表中的“Ours”为继承超网权重并微调后的方法。相较于搜索得到的最优子网，随机采样的子网在重新训练后虽然能够达到与最优子网相近的分割精度，但其参数量增加了55.3%，FPS降低了6.7%，这表明NAS搜索能够有效地优化网络架构，通过全局搜索最优架构，模型在参数量和计算效率上同时得到优化。定性结果显示，随机搜索的网络与重初始化训练的最优网络分割结果相似，并非因为参数量变大而获得性能上的提升。

图5 NAS消融实验可视化结果

图6 参数α消融实验可视化结果

高低频分离比率消融实验。本文测试了不同的高低频分离比率参数α对模型性能的影响，包括α=0.125,0.25,0.5,0.75,值得注意的是，α=0.125为本文的网络设置，实验结果展示在表2(b)和图6中。实验结果表明，当α=0.125时，模型达到了最佳的性能，前景IoU最高，能够清晰捕捉叶片表面的细微凹坑等缺陷。随着α值的增加，高频特征占比降低，分割质量明显下降，缺陷边界开始模糊。我们注意到不同的α值对推理速度并没有明显影响，推测其原因为在航发叶片数据中，不同类别的缺陷之间可能存在高度相似性，同时缺陷和背景融合的情况严重，导致航发图像特征复杂性高，这要求模型能够更好地关注细节信息。通过优化高低频特征的平衡，特别是强调高频特征的提取和利用，模型能够更精确地捕捉到缺陷的细节，从而提高分割精度。

分支及模块的消融实验。本文还将所提出的模块逐一消融，从而验证它们的有效性，实验结果与可视化结果如表2(c)和图7所示。为了方便起见，本文将消融后的模型分别命名为A~D。从实验结果中可以看出，去除高分辨率残差分支后，虽然网络能够定位到缺陷的位置，但大尺度缺陷分割边界模糊，小尺度缺陷在不同部位分割质量不均，这说明高分辨率残差分支对输出的分割结果起到了监督性的引导作用，有助于提升分割的准确性和一致性。移除高低频分离多尺度聚合分支后，精度下降超过了50%，可视化结果也表明，虽然模型能够定位到缺陷，但是将大量非缺陷信息囊括了进来，说明仅依靠高分辨率残差分支无法准确地识别并分割缺陷。单独移除FPN模块后，网络能够定位小尺寸的缺陷，而对大尺寸的缺陷却无能为力，表明了FPN模块在整合不同尺度的特征信息、提升模型对多尺度航发叶片缺陷的识别能力方面发挥了重要作用。如果仅移除高低频分离模块，虽然推理效率显著提升，但分割效果不佳。由于缺乏高低频信息的交互，网络难以有效辨别缺陷，导致缺陷信息被低频背景噪声掩盖。这充分表明了对叶片图像中高低频信息分离和融合的重要性。

图7 模块消融实验可视化结果

4.4 自动化质检系统验证

为实现航发叶片缺陷的全自动检测，本文与一家国内的航空发动机公司开展了合作研究，改进并整合了现有的方法，设计了一套自动化质检系统，并部署到该公司的航发叶片质检线上。该系统由5个核心步骤构成。(1)采用六自由度串联机械臂配备柔性末端执行器，通过视觉伺服控制将航发叶片抓取并夹持在成像装置上。(2)利用可旋转、移动的五轴联动精密控制平台规划拍摄视点，对叶片进行全覆盖成像。(3)通过MSFA对采集的叶片图像进行缺陷分割。(4)对分割结果进行图像级误检检出，将拒识结果提交专家复核。(5)通过综合评估系统生成缺陷报告并反馈回生产线。系统全过程流程图如图8所示，系统采用一体式运算架构，机械臂路径规划和拍摄视点规划、模型推理、误检检出、实时评估均由一台GPU服务器完成。

自动化上下料。上下料工序是将本文的方法集成到自动化质检系统中的关键技术环节，本文基于Cher等开发的六自由度工业机器人实现了叶片的自动化上下料，并针对叶片的特征优化了运动学模型与轨迹规划算法。在上料阶段，机械臂通过多传感器融合的机器视觉定位模块实时获取叶片位姿信息，利用深度学习算法生成无碰撞最优路径，将末端执行器移动到指定位置后抓取单个叶片，并将其放入成像设备的自适应柔性夹具中固定，确认夹持稳定性后触发全覆盖成像程序。下料阶段依据评估模块的反馈结果，机械臂将叶片从夹具上拆卸后，针对不同的评估结果采取对应的分拣路径。此外，因多型号叶片的几何特征差异大，机械臂集成有高精度伺服控制模块与基于数字孪生的碰撞预警机制，末端执行器具有压力传感器，均可最大限度地防止设备损坏与人为叶片损伤。

智能多光谱成像。成像是缺陷检测的核心环节，高精度成像模块为后续算法分析提供可靠数据基础。本文基于Wang等开发的运动机构与成像设备实现全覆盖成像，其中运动机构为可旋转、移动的五轴联动机构，成像设备包含多光谱多通道的亮度可调光源、高分辨率的定焦工业相机。工业相机安装在垂直平面上的正交直线运动模组上，方向朝下，从而实现垂直面上的正交移动。夹持装置安装在三自由度的协同机构（2个旋转轴与1个直线模组）上，从而达成空间中的前后移动与位姿调整，进而实现全覆盖成像。变刚度的夹具可以夹持具有不同几何特征的叶片，保证在运动过程中叶片不会晃动甚至脱落。通过对叶片的表面曲率分析后，模块建立叶片表面模型并智能规划拍摄视点，五轴联动机构高精度地调整叶片的姿态与相机所处的位置，对叶片表面进行全覆盖成像。多光谱多通道的亮度可调光源安装在工业相机上，可智能调整以应对不同材质、曲面叶片的表面反光问题。拍摄流程结束后，图像传输到服务器中进行处理。

图8（网络版彩图）自动化质检系统。涵盖5个核心步骤:上下料、成像、检测、误检检出与综合评估。

误检检出。为提高MSFA的检测精度，本文采用了一种基于置信度评估的误检检出模型。该模型通过构建双层验证机制实现对缺陷检测结果的可信度量化评估，减少原料的误检浪费。该模型与本文的方法采用同源数据集构建，针对MSFA输出的缺陷样本执行图像级检测并赋予置信程度。最终模型将产生3种判别结果：(1)当模型检测框与分割外接框的基本对齐且不确定性低时，维持初始检测结论；(2)在对齐但不确定性高的情况下，触发拒识并提交专家复核，同时终止当前检测流程，由机械臂将工件转移至复检区并初始化下一检测周期；(3)无法对齐时，赋予高不确定性并撤销缺陷检测结果。这种双层验证策略能够显著提升缺陷检测的可靠性与准确性，避免了误检带来的资源浪费。

综合评估。评估是提升产线生产质量的核心步骤。本文基于前序环节中采集的多源数据，设计了综合评估模块。该评估模型以质检过程中的特征参数为输入变量，主要包含：叶片型号参数（由机械臂视觉定位模块获取）、缺陷所处位置（通过叶片表面模型确定）、缺陷几何特征（基于定焦工业相机的光学参数与误检检出结果联合确定）、缺陷数量统计（经误检检出结果直接输出）四大核心指标。对上述指标进行量化评估，并生成质检报告反馈回生产线。评估为改进产线的生产流程与工艺起到了建设性的提示作用，有效地提升了航发叶片生产的准确性与质量管控效率。

该系统通过自动化上下料与上游生产线、下游装配线相衔接，在实际应用中每小时能够处理51片叶片，成像阶段平均每个叶片规划30个点位，每个点位5张图像；实际应用中因存储、传输、环境启动等原因，单叶片检测时间平均为9.8s；误检检出率平均为95.2%；综合评估模型的准确率为98.3%。该系统在实际应用中展现出良好的性能，能够有效提升航发叶片的质检效率与准确性，实现质检的全流程自动化。

本文针对航发叶片表面缺陷的高精度、高效率检测问题，提出了一种基于网络架构搜索的多尺度高低频特征聚合分割方法(MSFA)，并将其部署到自动化质检流程系统中，探索了在复杂的工业制造环境下，分割微小、隐蔽性强以及多样化的航发叶片表面缺陷的解决方案。MSFA基于网络架构搜索，通过多尺度特征提取与高低频信息融合，显著提升了缺陷检测的精度和效率。实验结果表明，与现有的主流分割模型相比，MSFA在前景交并比(IoU)、参数量和推理速度(FPS)上均展现出显著优势，在工业环境下的实地部署证明了本文系统的有效性。本文的研究成果为航空发动机制造和维护领域提供了一种高效、可靠的缺陷检测方法，借助NAS自动构建模型的特性，为新缺陷类型出现的情况下快速重新训练、部署模型提供了便利，具有重要的工业应用价值。但是该方法目前仍然存在一定的局限性，对于部分种类缺陷的分割边缘细节质量不高，在未来的研究中，我们将进一步优化MSFA的训练效率和策略，提升分割的准确性，继续改进全自动化系统，以适应更大规模和高并发的工业检测场景，同时探索更多适用于特定缺陷类型的定制化分割模型。