ICE-UNet:面向风洞图像中飞机机翼前缘积冰的轻量级语义分割网络

《Aerospace》:ICE-UNet: Lightweight Visual Segmentation of Aircraft Wing Leading-Edge Ice Accretion in Wind-Tunnel Images

【字体: 大 中 小 】 时间:2026年10月24日 来源:Aerospace 2.5

编辑推荐:

  飞机机翼前缘积冰的可靠视觉勾画仍具挑战性,因为积冰常呈现低视觉对比度、半透明且不规则形态以及边界模糊。为应对这些挑战,本研究提出ICE-UNet,一种用于像素级前缘积冰检测的轻量级语义分割网络。该网络采用紧凑的编码器–解码器架构,并集成三个功能模块:带批归一化

  
飞机机翼前缘积冰的可靠视觉勾画仍具挑战性,因为积冰常呈现低视觉对比度、半透明且不规则形态以及边界模糊。为应对这些挑战,本研究提出ICE-UNet,一种用于像素级前缘积冰检测的轻量级语义分割网络。该网络采用紧凑的编码器–解码器架构,并集成三个功能模块:带批归一化和ReLU激活的残差深度可分离卷积(Res-DSCBR)、深度可分离感受野块(DSCRFBs)以及卷积块注意力模块(CBAMs)。该设计在降低模型复杂度的同时增强多尺度上下文表征和注意力引导的特征细化。为进行实证验证,研究人员从1300幅原始图像构建了5000个带标注的图像–掩膜对数据集,原始图像包括风洞视频帧以及NACA 0020和Boeing 117翼型模型的结冰后照片。经增强后,5000个图像–掩膜对按图像级以3:1:1随机划分为训练、验证和测试子集。实验结果表明,ICE-UNet达到96.60%准确率、93.07%交并比(IoU)、96.36%精确率和96.44%召回率,仅含0.76 M参数和16.19 GFLOPs。与基线U-Net相比,ICE-UNet将IoU提高10.33个百分点,同时将参数数量和计算成本分别降低95.6%和90.0%。光度扰动测试进一步表明,模型在中等亮度和对比度变化下保持稳定的分割性能,尽管严重对比度退化仍是限制条件。基于TensorRT的FP16加速在Tesla V100 GPU上将单幅图像推理延迟从55.21 ms降至13.69 ms,且未测得精度下降。此外,集成MobileNetV3预筛选模块可在连续监测中有效抑制干净表面上的假阳性激活。总体而言,这些发现表明,在该风洞数据集上评估的十种分割模型中,ICE-UNet在保持紧凑架构的同时取得了最高IoU。
研究背景:飞机积冰是影响飞行安全的关键环境危害,过冷云中飞行时气动表面尤其机翼前缘易积冰,积冰改变翼型几何、增加阻力、降低升力并可能削弱操纵性与安全性。常规检测依赖振动、热学、光学、微波和光纤等专用传感,虽可提供点测量,但空间覆盖、安装复杂度、重量和集成成本限制推广。Dong and Ai将飞行参数辨识与概率神经网络分类结合检测积冰位置,Dong later应用深度神经网络进行飞机积冰检测与表征,但这类方法提供系统级诊断,不能直接解析积冰空间分布与边界。图像检测可保留气动表面空间信息。Jin et al.开发残差U形卷积网络进行数值与实验冰形跨保真融合;Yu et al.结合融合超分辨率网络与视觉变换器预测翼型积冰图像;Lin et al.提出点云与特征调制框架用于任意结冰翼型快速气动预测;Cuozzo et al.引入结冰尾翼几何与升力预测的神经代理模型。这些研究显示数据驱动模型在冰形生成与气动评估方面的潜力,但未直接解决实验获取机翼图像的像素级积冰勾画。U-Net、SegNet、PSPNet、DeepLabV3+和UNeXt等语义分割(semantic segmentation,像素级分类)网络提供编码器–解码器密集预测范式,但迁移至积冰图像需处理低对比度、不规则边界和计算约束:冰层半透明且与干净机翼表面视觉相似导致特征对比极弱;积冰形态连续演化产生高度不规则和模糊边界;风洞或飞行环境存在不均匀照明、反射、阴影和复杂背景干扰;先进网络常以高计算开销换取精度,限制资源受限航空嵌入式平台部署。因此需在复杂环境扰动下稳健分割透明不规则积冰区域,并保持严格轻量以实现实时部署。研究人员建立专用机翼积冰图像数据集,使用改进闭环结冰风洞系统开展系统结冰实验,构建包含不同翼型几何、攻角与环境温度下5000幅积冰图像的像素级标注数据集,并开展大量实验。结论为ICE-UNet取得93.07%交并比(IoU,预测区域与真实区域重叠度)和96.60% Accuracy,优于若干代表性分割网络,相比原始U-Net参数和计算复杂度分别降低95.6%和90.0%。意义在于为机翼前缘积冰像素级分析提供紧凑方法,并为相机辅助监测和后续机上硬件评估提供基础。

关键技术方法:样本队列来自桌面回流结冰风洞,采用NACA 0020与Boeing 117翼型,在液水含量(LWC,单位体积液态水质量)2.5 g/m3、中值体积直径(MVD,液滴尺寸分布中值)32.8 μm、来流15 m/s下按攻角和温度设计实验;8段约5 min视频按约3 s抽帧并结合结冰后照片得1300幅原图,经旋转、亮度/对比度和512×512随机裁剪增强为5000图像–掩膜对,按3:1:1图像级划分;SAM点提示生成初始掩膜并人工校正;构建ICE-UNet,核心为Res-DSCBR、DSCRFB和CBAM;以Accuracy、IoU、Precision、Recall、参数量、FLOPs和推理时间评估;开展消融、十模型对比、Grad-CAM、光度扰动、TensorRT FP16加速和MobileNetV3预筛选级联实验。

研究结果:
4.1 实现细节(Implementation Details):模型以PyTorch 2.6.0、CUDA 12.4和cuDNN 9.1.0实现,在Tesla V100 GPU、4核CPU和32 GB内存上训练;输入512×512,批大小16,100轮,交叉熵损失,Adam优化器β1=0.9、β2=0.999、α=1×10?8,初始学习率0.001并采用Poly衰减;所有对比模型用公开代码从头训练。该设置保证比较一致性。
4.2 评价指标(Evaluation Metrics):以像素级混淆矩阵计算Accuracy、IoU、Precision和Recall,冰与背景分别作为类别,报告冰类与背景类算术平均;参数量、FLOPs和单图推理时间表征模型大小、计算成本和效率。该指标体系统一评价分割保真度与效率。
4.3 消融研究(Ablation Study):以U-Net为基线逐步引入结构优化(SO)、残差结构(Res)、感受野块(RFB,多分支空洞卷积扩大有效感受野)、深度可分离卷积(DSC,将空间卷积与逐点卷积分分解)和卷积块注意力模块(CBAM,通道与空间注意力)。SO将参数降至1.93 M但IoU降至80.57%;Res恢复至83.58%;RFB提升至89.61%;DSC降至0.75 M和16.17 GFLOPs并将IoU提至91.27%;CBAM达96.60% Accuracy、93.07% IoU、0.76 M参数和16.19 GFLOPs。结论为各步骤逐步改善精度–效率权衡。
4.4 性能比较(Performance Comparison):与FCN、SegNet、U-Net、UNext、ENet、DABNet、BiSeNet、PSPNet和DeepLabV3+等九种模型同设置比较。ICE-UNet四项分割指标均最高,IoU较U-Net提高10.33个百分点,参数和计算分别降低95.6%和90.0%;优于PSPNet和DeepLabV3+等大模型,DABNet参数相近但IoU仅89.29%。定性结果亦显示ICE-UNet轮廓更清晰、更少背景干扰。结论为在评价的风洞数据集上兼具高精度与低计算量。
4.5 Grad-CAM可视化(Grad-CAM Visualization):用梯度加权类激活映射(Grad-CAM,可视化模型关注区域)比较U-Net与ICE-UNet。U-Net高激活分散,易受冷凝水滴、散落冰粒和背景干扰;ICE-UNet高激活集中于前缘核心积冰区并抑制背景。结论为所引入模块增强特征判别和空间定位能力。
4.6 受控光度扰动下的稳健性(Robustness Under Controlled Photometric Perturbations):系统调整测试图像亮度和对比度。参考条件Accuracy 96.60%、IoU 93.07%、Precision 96.36%、Recall 96.44%;在亮度因子0.7–1.5和对比度因子0.7–1.0的中等扰动区,Accuracy多高于90%且不低于约86%,IoU一般高于80%,Precision多高于约89%,Recall多高于85%。对比度因子降至0.1时Accuracy约61%、IoU约31–34%、Precision约50–52%、Recall约48–57%;对比度1.0下严重欠曝和过曝的IoU分别为45.71%和72.82%。结论为模型在中等光度变化下稳定,严重对比度退化是主要限制,且Accuracy因背景像素占优可能高估性能,IoU更具代表性。
4.7 推理加速与两级级联框架(Inference Acceleration and a Two-Stage Cascaded Framework):4.7.1 TensorRT加速与推理效率(TensorRT Acceleration and Inference Efficiency):在Tesla V100、512×512输入下,CPU和原始GPU单图耗时分别为380.76 ms和55.21 ms;TensorRT(NVIDIA推理优化库)FP32(单精度浮点)降至16.46 ms,FP16(半精度浮点)降至13.69 ms且保持96.60% Accuracy和93.07% IoU,INT8降至12.46 ms但IoU跌至67.22%。结论为FP16在无精度损失下实现75.2%延迟降低。4.7.2 连续监测的两级级联框架(Two-Stage Cascaded Framework for Continuous Monitoring):MobileNetV3(轻量级图像分类网络)先筛选帧是否含冰,ICE-UNet仅对判为含冰帧分割;图像级验证集1369幅(764含冰、605无冰)中正确分类740幅含冰和577幅无冰,含冰类Precision 96.35%、Recall 96.86%,无冰假阳性率4.63%(28/605)。30 FPS视频中可见积冰首现于10.00 s,首次正分类10.07 s,五连正帧确认规则首次确认10.20 s;可见前11个正帧未触发确认。结论为级联可抑制干净表面假阳性并将像素级分析导向可能含冰帧。

讨论总结:上述结果表明,ICE-UNet在评价的风洞图像上以紧凑架构取得最高IoU,并在中等亮度和对比度扰动下保持较好分割保真度,极端对比度退化仍是边界限制;Grad-CAM显示其更集中于真实积冰区;TensorRT FP16和MobileNetV3预筛选级联支持低延迟连续监测的可行性,并减少干净表面假阳性。研究仍限定于NACA 0020与Boeing 117翼型的风洞图像,未来需扩展翼型几何、结冰条件、成像配置及完整级联在代表性机载硬件上的延迟与可靠性评估。

研究结论(译文):本研究提出ICE-UNet,一种面向飞机机翼前缘积冰像素级检测的轻量级语义分割网络。通过将常规U-Net压缩为精简的三阶段编码器–解码器架构并集成Res-DSCBR、DSCRFB和CBAM,该设计同时应对边界敏感积冰分割和严格计算效率的双重要求。在结冰风洞数据集上,ICE-UNet达到96.60% Accuracy、93.07% IoU、96.36% Precision和96.44% Recall,在十种评价分割模型中IoU最高,仅需0.76 M参数和16.19 GFLOPs。与基线U-Net相比,IoU提高10.33个百分点,参数数量和计算开销分别降低95.6%和90.0%。逐步消融研究追踪了架构逐步构建时分割性能和计算成本的变化。稳健性评价进一步表明,模型在中等亮度和对比度扰动下保持较强分割保真度,但极端对比度退化仍是主要边界限制。为验证实时部署潜力,在Tesla V100平台实施TensorRT FP16加速,将单图推理延迟从55.21 ms降至13.69 ms,降低75.2%且无分割精度损失。此外,MobileNetV3预筛选模块的集成成功证明在连续序列监测中主动抑制干净气动表面假阳性激活的可行性。总体而言,这些结果将ICE-UNet定位为用于此处所检查风洞图像中前缘积冰像素级分析的紧凑方法。MobileNetV3–ICE-UNet级联利用图像级筛选将详细分割导向可能含冰帧,连续帧掩膜显示积冰位置和表观范围;分割结果和测得的模型级推理效率为受控实验中相机辅助观察积冰发展提供基础。未来工作将考察更多翼型几何、结冰条件和成像配置,并在代表性机载硬件上测量完整级联的延迟和可靠性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号