基于物理渲染的高质量航空发动机叶片缺陷合成数据集BladeSynth及其在工业检测中的应用

本研究针对航空发动机叶片缺陷检测中真实数据稀缺的挑战，开发了基于物理渲染(PBR)的合成数据集BladeSynth。通过计算机辅助设计(CAD)建模和域随机化技术，研究人员生成了包含腐蚀(C)、刻痕(N)、凹痕(D)和划痕(S)等四类缺陷的12,500张高分辨率图像，配套精确分割掩模。实验表明，基于该数据集训练的YOLOv8-Segmentation模型在监督学习中达到0.84平均F1分数，PatchCore无监督检测获得0.985 AUROC，成功实现仿真到现实(sim-to-real)的迁移，为工业4.0智能检测提供了高效数据解决方案。

　　

航空发动机作为现代工业的"皇冠明珠"，其叶片缺陷检测直接关乎飞行安全。然而这个领域正面临着一个棘手的悖论：一方面，基于人工智能的自动检测技术被寄予厚望；另一方面，行业却严重缺乏高质量的缺陷数据。这就像试图教学生识别从未见过的生物——缺乏样本的AI模型注定表现不佳。造成这种困境的原因是多重的：真实发动机叶片造价昂贵，缺陷样本稀少；金属表面复杂的光学特性使数据采集困难；专业标注需要经验丰富的工程师，成本高昂。现有解决方案如生成对抗网络(GAN)又陷入"巧妇难为无米之炊"的窘境——它们本身就需要大量训练数据。这种数据荒严重制约着工业4.0愿景的实现。

面对这一挑战，阿联酋哈利法科学技术大学(Khalifa University of Science and Technology)先进研究与创新中心(ARIC)的研究团队Mohammed Eltoum等另辟蹊径，将目光投向了计算机图形学领域。他们开发的BladeSynth数据集创新性地采用物理渲染技术，通过精确控制材料属性、光照条件和缺陷形态，构建了一个包含12,500张高分辨率图像的合成数据集，相关成果发表在《Scientific Data》期刊。

研究团队采用了几项关键技术：首先基于高精度3D扫描重建叶片CAD模型，结合Adobe Substance 3D创建物理渲染(PBR)材质；其次开发了参数化缺陷生成算法，如用二次函数γ(αu²+βv²)生成凹痕，γ(αu²+β|v|)生成划痕；最后通过Blender渲染引擎实施域随机化，变异相机视角、光照强度和背景环境。所有图像均配套像素级标注的分割掩模。

数据记录

数据集包含五类样本：正常(G)、凹痕(D)、刻痕(N)、划痕(S)和腐蚀(C)，每类2500张1024×1024像素图像。如表2所示，凹痕表现为光滑凹陷，刻痕具有锐利边缘，划痕呈线性特征，腐蚀则展现不规则纹理。数据存储采用分层结构，图像与掩模严格对应。

技术验证

在监督学习测试中，YOLOv8-Segmentation对凹痕和刻痕的检测精度达0.99，但划痕和腐蚀的召回率较低（0.60和0.56），反映细微缺陷的识别挑战。训练数据量实验显示，使用50%数据时模型性能趋于稳定（F1=0.84），暗示数据集规模适中。

无监督学习的PatchCore模型表现出色，在仅使用222张正常图像训练后，整体AUROC达0.985。如图8所示，其生成的异常热图能准确定位各类缺陷，证明合成数据能有效捕捉正常与异常的特征差异。

最引人注目的是sim-to-real迁移实验。如图9所示，在真实叶片图像测试中，YOLOv8成功检测出多数刻痕和凹痕（蓝色框），仅对部分复杂背景下的缺陷漏检（红色框）。PatchCore也达到0.89的准确率，尽管对腐蚀检测不够敏感。这些结果强有力地证实了合成数据的实用性。

这项研究突破了工业缺陷检测的数据瓶颈，其意义远超航空领域。BladeSynth首次系统性地验证了渲染数据对金属部件检测的有效性，为制造业AI应用开辟了新路径。方法论上，参数化缺陷建模和域随机化技术的结合，实现了质量与多样性的平衡；工程价值上，该方法将数据准备时间从数月缩短至数天，成本降低超90%。研究也指出未来方向：增加涂层剥落、裂纹等复杂缺陷，以及优化细微缺陷的生成算法。随着工业4.0的深入推进，这种"虚拟到现实"的技术范式，或将成为智能制造质量控制的标配解决方案。