在领域变换条件下，利用视觉-语言多模态模型提升航空发动机叶片的少样本异常检测能力

《ADVANCED ENGINEERING INFORMATICS》：Enhancing aero-engine blade few-shot anomaly detection with visual-language multi-modal models under domain shift conditions

飞机发动机叶片缺陷检测中提出基于CLIP大模型的DSP4BAD方法，通过DSPAT、AGFAM和ISRM模块解决数据稀缺与领域偏移问题，在少量样本下实现最优检测性能。

　　在现代航空工业中，涡轮叶片作为航空发动机的核心部件，承担着压缩进气和能量转换的重要功能，其性能直接影响到飞机的运行安全与乘客的生命安全。由于叶片在工作过程中承受着复杂的物理条件，如高温、高压、高速气流以及外部冲击等，因此叶片异常的检测显得尤为重要。然而，传统的检测方法在面对实际应用场景时，往往受到数据稀缺、环境变化、检测效率低下等问题的制约。近年来，随着深度学习技术的迅速发展，数据驱动的异常检测方法在这一领域取得了显著进展。然而，深度学习模型通常需要大量的训练数据才能达到理想的检测效果，这在航空发动机叶片检测的实际应用中往往难以满足。

为了应对这一挑战，研究者们开始探索基于大模型的解决方案。这些大模型，尤其是视觉-语言多模态模型，如CLIP（Contrastive Language-Image Pre-training），在大规模数据集上进行了预训练，具备强大的特征表示能力和跨领域泛化能力。研究表明，这些模型在少量样本的情况下仍能表现出色，为解决航空发动机叶片检测中的数据稀缺问题提供了新的思路。然而，现实世界中的域偏移问题仍然是一个难以忽视的障碍。由于航空发动机的运行环境复杂多变，包括不同的视角、光照条件和背景干扰，这些因素会导致模型在实际应用中出现性能下降。

针对上述问题，本文提出了一种基于CLIP的少样本航空发动机叶片异常检测方法——DSP4BAD（Domain Semantic Perception for Blade Anomaly Detection）。该方法旨在通过有效的特征提取和语义理解，提升模型在复杂环境下的检测能力。具体而言，DSP4BAD通过引入域状态提示增强模板（DSPAT）和注意力引导的特征适配模块（AGFAM），将CLIP的通用视觉知识适配到航空发动机叶片检测的特定领域。此外，考虑到CLIP在上下文信息中的语义冗余问题，本文还设计了上下文语义精炼模块（ISRM），以进一步优化模型在实际应用中的表现。

在方法设计方面，DSP4BAD的核心思想是通过结合CLIP的预训练知识与少量样本的域特定信息，实现对叶片异常的高效检测。首先，DSPAT通过引入与叶片检测相关的提示信息，增强模型对叶片特征的理解，使其能够更好地适应实际检测任务。其次，AGFAM利用注意力机制，对CLIP提取的特征进行适配，以减少因域偏移导致的特征差异。最后，ISRM通过对上下文信息的精炼，去除冗余的语义干扰，提高模型对异常特征的识别能力。

为了验证DSP4BAD的有效性，本文在AeBAD-S数据集上进行了广泛的实验。该数据集专门用于航空发动机叶片异常检测任务，包含1228个正常样本和4342个异常样本，涵盖了四种主要的缺陷类型：破损、烧蚀、沟槽和裂纹。通过在不同样本数量下的实验，结果表明DSP4BAD在少样本条件下（仅需1、5或10个样本）均能取得优异的检测性能。这一成果不仅证明了DSP4BAD在解决数据稀缺问题上的有效性，也为大模型在实际航空叶片检测中的应用提供了新的方向。

在实验结果分析中，DSP4BAD的表现优于现有的多种方法，尤其是在处理少样本和域偏移问题时。通过引入DSPAT和AGFAM，模型能够更好地理解叶片的结构特征和异常模式，从而在不同视角和光照条件下保持较高的检测准确率。同时，ISRM的引入进一步提升了模型对上下文信息的处理能力，减少了因环境变化带来的检测误差。实验还表明，DSP4BAD在面对极端视角和光照变化时，仍能保持较高的鲁棒性，这为其在实际航空发动机检测中的应用奠定了坚实的基础。

此外，本文还探讨了DSP4BAD在实际应用中可能遇到的局限性。例如，在极端少样本（如1样本）的情况下，模型可能会误判叶片轮廓为异常。这一问题的出现，可能是由于单一样本的信息不足以准确表征叶片的正常状态，从而导致模型对异常特征的识别出现偏差。因此，未来的研究方向可能包括如何在极端少样本条件下进一步优化模型的性能，以及如何提高模型对不同检测环境的适应能力。

综上所述，本文提出了一种基于CLIP的少样本航空发动机叶片异常检测方法DSP4BAD。该方法通过结合域状态提示增强模板、注意力引导的特征适配模块和上下文语义精炼模块，有效解决了数据稀缺和域偏移问题。实验结果表明，DSP4BAD在多种实际检测场景下均能取得优异的性能，为大模型在航空叶片检测中的应用提供了有力的支持。未来，随着大模型技术的不断进步，DSP4BAD有望在更广泛的工业检测领域中发挥重要作用。