通过自学习变换器网络实现高精度无损叶片表面检测

让喷气发动机在高空保持安全

每一次商业航班都依赖于发动机深处高速旋转的涡轮叶片，这些叶片在极高温度和巨大转速下工作。如果叶片的保护涂层出现开裂、凹坑或脱落，效率会下降且故障风险上升。这项研究探讨了一种人工智能系统如何从图像中自动识别叶片表面的微小缺陷，承诺实现更快、更可靠的检测，从而带来更安全、更经济的航空出行。

为什么微小表面缺陷很重要

喷气发动机内的叶片要承受灼热的高温、快速的压力变化以及腐蚀性的气体和颗粒混合物。为了生存，它们覆盖有类似热护甲和防锈涂层的特殊保护层。然而，随着时间推移，这些涂层可能出现细小裂纹、孔洞、剥落区域，或表面内部的小夹杂物。如果不及时发现，这些缺陷会扩展、削弱叶片结构、提高燃油消耗，并在极端情况下导致发动机失效。当前的标准检查高度依赖人工检查员，使用相机、超声或热成像等手段。这些方法能起作用，但速度慢、劳动强度大，并且在应对曲面、反光的叶片表面时容易漏检最微小的缺陷。

从人工检查到自学习机器

近年来，基于深度学习的计算机视觉系统开始在工业检测任务中发挥作用。传统的卷积神经网络擅长识别局部模式，例如平坦小区域中的裂纹。但当表面是曲线、光照不均或缺陷分布在图像不同位置时，它们会遇到困难。早期研究多集中于电路板或钢板等平面材料，这些场景无法体现真实喷气发动机叶片的视觉复杂性。新型的视觉变换器（vision transformer）最初为图像识别而发展，能同时查看整张图片并学习图像远处区域之间的关系。这种更广的视野使它们在需要同时兼顾细节与整体结构的复杂检测问题上更有前景。

一种新的发动机内叶片观测方式

作者提出了一个以Swin Transformer为核心、专门为涡轮和压缩机叶片改造的检测系统。首先，从实验室装置、发动机内部的内窥镜以及公开数据集中收集高分辨率的真实叶片图像。每一种缺陷——例如裂纹、凹陷、孔洞或夹杂物——都由专家仔细标注，以便模型从清晰的样本中学习。在训练前，图像经过专门的预处理：均衡光照、在不模糊缺陷边缘的前提下降噪，以及将颜色转换为能突出细微表面变化的表示。随后通过旋转、翻转、亮度变化和叠加合成缺陷等方式对图像进行数据增强，使系统学会应对各种真实世界的条件。

智能检测器的工作原理

准备好后，每张叶片图像被切分为小方块补丁，作为Swin Transformer的输入。在模型内部，相邻补丁通过在层间滑动的“窗口”被组合检查，使系统既能捕捉极细微的细节，也能兼顾更广的上下文。这种分层的注意力结构使模型能够将叶片上一条微弱的线索与涂层损伤的更大模式关联起来。在这一主干之上，额外的模块融合了不同尺度的信息，以便在一次推断中同时检测到非常小的孔洞和更大的剥落区域。训练完成后，系统可以在短短一瞬间标出叶片上的每处缺陷并判定其所属类别。

测试结果显示了什么

为评估性能，研究者将他们的方法与在图像分析中广泛使用的知名深度网络进行了对比。他们的Swin Transformer在区分受损与未受损区域并标注四类主要缺陷（凹陷、裂纹、孔隙和夹杂物）上达到了约98%的准确率。系统几乎捕捉到所有真实缺陷，同时保持低误报率，并且在定位缺陷时非常精确，即便缺陷仅为0.1毫米量级。实验还表明，管道中的每一环节都很重要：改进的图像预处理和数据扩增能提升结果，但实现最大飞跃的是将架构换为Swin Transformer本身。该系统在适用于常规维护的快速处理时延下达到了这些性能。

对未来航班的意义

简而言之，这项工作表明，一个AI“检测员”可以以超过许多现有方法的准确性和一致性监控喷气发动机叶片，尤其是在识别最难察觉的缺陷方面。通过在缺陷变严重之前自动标出微小裂纹和孔洞，此类系统可以缩短检查时间、降低对稀缺专家的依赖，并有助于防止代价高昂或危险的故障。作者设想将他们的模型集成到自动化维护线中，与机器人相机协同工作，并最终结合跟踪发动机全寿命周期健康的数字孪生。对乘客而言，最终的成果不仅是更聪明的算法——还有更安静、更清洁、更安全的飞行。

引用: Kannusamy, P., Gayathri, D., Mirdula, S. et al. High-precision non-destructive blade surface inspection via self learning transformer networks. Sci Rep 16, 10288 (2026). https://doi.org/10.1038/s41598-026-41373-x

关键词: 喷气发动机叶片检测, 表面缺陷检测, 深度学习视觉, 基于变换器的模型, 航空航天维护