基于YOLOv8-RN与NWD标签分配的航空发动机叶片荧光渗透智能检测系统研究

来自国内的研究人员针对荧光渗透检测(FPI)在航空发动机叶片表面微缺陷检测中存在的环境敏感性、经验依赖性强及结果难以量化等问题，开展了基于人工智能的检测框架研究。通过构建高精度FPI系统，改进YOLOv8算法的多尺度特征检测能力，并采用归一化高斯Wasserstein距离(NWD)替代传统TAA策略，最终使YOLOv8-RN模型在四类典型缺陷检测中达到0.933 mAP@0.5，各项指标显著优于主流算法，为实现航空发动机叶片缺陷的智能化检测提供了有效解决方案。

　　

荧光渗透检测(Fluorescent Penetrant Inspection, FPI)作为一种新型检测手段，能高效识别航空发动机叶片表面的微细缺陷，但其在实际应用中面临环境敏感性高、过度依赖经验判断、缺陷特征难以量化以及结果可追溯性不足等挑战。本研究提出了一种基于人工智能(Artificial Intelligence, AI)的检测框架，通过荧光渗透剂实现叶片微缺陷的智能识别。研究人员首先搭建了FPI系统与高精度自动控制平台，采集了叶片制造过程中典型表面缺陷的完整数据库。随后对YOLOv8(You Only Look Once v8)算法的特征提取与融合结构进行重新设计，强化其多尺度特征检测能力，并创新性地采用归一化高斯Wasserstein距离(Normalized Gaussian Wasserstein Distance, NWD)标签分配策略替代传统的任务对齐分配器(Task-Aligned Assigner, TAA)，显著提升了边界框相似度度量精度。通过消融实验与对比验证表明，所开发的YOLOv8-RN智能检测系统在裂纹(crack)、冷隔(cold lap)、夹杂物(inclusion)和气孔(cavity)四类典型缺陷检测中，平均精度均值(mean Average Precision, mAP)在交并比(Intersection over Union, IoU)阈值为0.5时达到0.933。相较于原版YOLOv8，新模型在mAP、F1-score和帧率(Frames Per Second, FPS)三项指标分别提升11.7%、13.9%和8%。在与YOLOv10、YOLOv11等主流算法的对比中，YOLOv8-RN在相同处理速度范围内实现了最优检测精度，其召回率(Recall)分别显著提高23.9%和14.3%，充分证明该模型在航空发动机叶片荧光缺陷检测领域具有显著优势。