沈阳自动化所在航空发动机叶片表面瑕疵智能检测研究方面取得进展
航空发动机叶片是航空动力装备的核心零部件,长期工作于高温、高压、高转速的极端工况环境。叶片表面产生的麻点、划痕、擦伤、裂纹等微小缺陷,极易演变为应力集中源,进而引发疲劳开裂严重威胁整机运行安全。当前行业主流检测手段仍存在诸多局限,包括人工检测易受主观因素干扰,难以识别细微缺陷;相控阵超声、荧光渗透、涡流阵列等无损检测手段存在曲面检测盲区、操作流程复杂、试剂污染等短板;普通二维机器视觉方案,则极易受环境光照变化、金属曲面镜面反射干扰,对低对比度、多尺度、随机分布的微缺陷检出难度大。因此,面向工业现场自动化质检需求,高精度、抗干扰、可实时运行的叶片缺陷智能检测技术亟待突破。
近日,中国科学院沈阳自动化研究所数字工厂研究室研究团队融合激光扫描三维视觉技术与改进RT-DETR目标检测算法,提出LPC-DETR检测模型,搭建了一套叶片表面缺陷自动化检测技术体系,助力实现航空发动机叶片表面微缺陷的高精度实时检测。

叶片表面缺陷检测技术路线图
研究团队采用线激光主动扫描成像方式,规避普通工业相机被动成像带来的光照波动与镜面反射干扰,同步输出标准化灰度图像与三维点云数据;将灰度图像送入深度学习网络完成缺陷识别,三维点云留存用于后续缺陷深度定量分析。
在算法层面,研究团队设计并重构轻量化骨干网络,兼顾全局上下文感知与局部细微纹理提取;在编码器中引入极性感知线性注意力与空间尺度感知门控前馈网络,在线性计算复杂度下完成长距离依赖建模,强化异形缺陷的特征表达;创新性地提出自适应小波引导对比度增强聚合模块,动态增强缺陷前景与背景差异,提升低对比度微缺陷特征辨识度。
在此基础上,研究团队结合切片辅助微调与切片超推理策略,适配高分辨率图像中小尺寸缺陷检测任务,系统开展了多组对比实验验证模型性能。

LPC-DETR模型架构图
对比实验结果表明:激光主动成像方案抗干扰能力强,可有效抑制金属曲面反光、光照波动带来的噪声,稳定获取缺陷成像数据;LPC-DETR模型综合检测性能优异,相比YOLO系列、Deformable-DETR、RT-DETR等主流算法,在微小缺陷识别上具备明显优势,模型参数量仅16.66M,推理FPS可达101,兼顾检测精度与实时推理能力;模型泛化性良好,在自研叶片缺陷数据集以及公开PCB小目标数据集上均展现稳定效果,能够精准识别麻点、划痕、擦伤、裂纹等多类典型缺陷。
该研究为航空发动机复杂曲面零部件自动化质检提供了完整的成像与检测方案,所提出的激光扫描结合Transformer视觉检测框架,在航空动力构件无损检测、高端装备表面质量管控等领域拥有广阔的应用前景。
研究成果以Research on real-time defect detection for aero-engine blade surface images based on laser scanning technology and improved real-time detection transformer为题,发表于航空航天领域国际期刊Aerospace Science and Technology。论文第一作者为沈阳自动化所荆洪迪副研究员、刘晓松助理研究员,通讯作者为北京科技大学曲福明副教授。
本研究得到国家自然科学基金、辽宁省自然科学基金、中国科学院青年创新促进会项目等多项课题资助。(数字工厂研究室)
论文链接:https://doi.org/10.1016 /j.ast.2026.114096
DOI:10.1016/j.ast.2026.114096
附件下载: