BEKDNet：一种基于边界增强技术的Mamba网络，结合跨图像关联蒸馏算法，用于航空航天热控制涂层的缺陷分割

《Expert Systems with Applications》：BEKDNet: A boundary-enhanced Mamba network with cross-image relational distillation for aerospace thermal control coating defect segmentation

　　侯凯琳|梁志强|李荣毅|刘显利|杜宇超|刘浩拓|田帅麒
中国广东省珠海市北京工业大学智能制造技术研究中心，邮编519088

摘要
热控涂层作为连续的功能性涂层应用于航天器外表面，通过卷对卷沉积工艺制造。然而，在此制造过程中自动检测表面缺陷面临着重大挑战，这些挑战源于金属氧化物表面的镜面反射、重叠缺陷导致的边界模糊以及缺乏特定领域的基准数据集。本文提出了BEKDNet，这是一种基于边界增强知识蒸馏的分割网络，用于热控涂层缺陷检测。该框架采用基于状态空间模型的编码器，并结合了缺陷感知模块，巧妙地结合了全局上下文建模和多尺度局部卷积，有效捕捉从亚毫米级空洞到厘米级划痕的多尺度缺陷，同时保持线性计算复杂度。为了解决低对比度边界区分的问题，设计了一个包含拉普拉斯边缘提取和辅助边界监督的边缘指导模块。此外，引入了基于DINOv2的跨图像关系知识蒸馏框架，在有限的注释条件下实现光照不变的语义表示传输。同时，还建立了首个用于航空航天热控涂层缺陷分割的基准数据集TCC-Defect，其中包含三种代表性缺陷类型。实验结果表明，BEKDNet在TCC-Defect、NEU-Seg和KSDD2数据集上的mIoU得分分别为88.17%、85.34%和83.56%，比现有最先进方法分别提高了2.12%、3.04%和0.47%。所提出的方法为航空航天热控涂层的自动质量检测提供了可靠的解决方案，并已在数字孪生实时监控系统中以60 FPS的速度部署，证明了其工业适用性。

引言
热控涂层是航天器的关键功能材料，直接影响其在极端太空环境中的运行稳定性和使用寿命（Henninger, 1984; Tachikawa, 2022）。在太空的真空环境中，辐射热传递是唯一的热调节机制，航天器表面在阳光照射区和阴影区之间会经历超过200°C的温差。如图1所示，先进的热控涂层通过光谱选择性多层薄膜结构实现精确的热管理。典型的结构由交替沉积的金属层（如钨W）和介电层（如Al2O3）组成，它们在可见光谱（0.38–0.78 μm）吸收太阳能，同时在中波和长波红外波段（3–14 μm）高效散热（Wang, 2024）。太阳吸收率αs与半球发射率εh的比值最终决定了航天器表面的平衡温度；因此，热控涂层的光学完整性对航天器在轨道上的性能至关重要。

然而，在热控涂层的制造过程中不可避免地会形成表面缺陷，如结晶斑点、瑕疵和皱纹，导致光学性能的局部退化，并对航天器热管理系统的稳定运行构成潜在威胁（Shrestha等人，2016）。即使是亚毫米级的涂层空洞也可能暴露金属基底，导致太阳吸收率αs局部增加，从而破坏涂层的光谱选择性，影响航天器的热平衡，因此制造过程中的在线微缺陷检测至关重要。实际上，缺陷检测是在卷对卷生产线的涂层制造阶段进行的，而不是在航天器组装之后。一旦发现缺陷，会实时调整沉积速率和源功率等工艺参数，确保只有合格的涂层才能应用于航天器表面。这种在线质量控制策略对缺陷检测算法的准确性和速度提出了严格要求。自动检测这些缺陷面临重大挑战：高反射率的金属氧化物表面会产生强烈的镜面反射，大幅降低缺陷区域的成像对比度；多种缺陷类型频繁共存，形成边界模糊的复合异常区域；不同类型的缺陷表现出显著的形态变化，从点状到条状模式不等（Tabernik, 2020）。这些挑战加上缺乏特定领域的基准数据集，共同限制了热控涂层自动质量检测技术的发展。

近年来，深度学习技术在工业表面缺陷分割方面取得了显著进展（Luo, 2020; Hou等人，2026; Cao等人，2024; Dong, 2019）。早期研究主要采用基于卷积神经网络（CNN）的编码器-解码器架构，通过逐层提取局部纹理特征实现像素级分割，并在纺织品、钢材等材料的工业表面检测中获得了高分割精度（Song等人，2020; Liu, 2022）。为了增强对长距离依赖性的建模能力，Transformer架构被引入到缺陷分割任务中（Yeung和Lam, 2023; Xie等人，2021）；然而，它们自注意力机制的二次计算复杂性限制了其在高分辨率场景中的应用。状态空间模型（如Mamba）凭借其线性复杂性的序列建模能力，为平衡全局建模和计算效率提供了新的技术途径（He等人，2024; Zhu等人，2024）。此外，基于视觉基础模型的知识蒸馏方法在有限注释条件下显示出提高模型性能的潜力（Deng, Hanqiu和Xingyu Li。通过反向蒸馏从一类嵌入进行异常检测。见：IEEE/CVF计算机视觉与模式识别会议论文集，2022，Oquab等人，2304）。尽管上述方法在一般工业场景中表现良好，但在应用于热控涂层缺陷分割时仍面临以下关键挑战：

(i) 全局语义建模与部署效率之间的矛盾。热控涂层缺陷表现出显著的形态异质性，从点状涂层空洞到线性划痕和不规则瑕疵，要求模型同时具备细粒度的局部纹理特征描述能力和长距离结构感知能力。轻量级CNN模型具有部署优势，但受限于局部感受野，导致细长缺陷的分割不完整；Transformer和视觉基础模型具备全局建模能力，但其计算开销无法满足工业现场的实时检测要求。

(ii) 边界区分能力不足。热控涂层表面的高反射特性显著降低了缺陷边界区域的对比度；多种缺陷类型经常重叠，形成边界模糊的复合异常区域。现有方法难以精确分离相邻的缺陷实例，分割结果通常具有模糊的轮廓和不准确的边界定位。

(iii) 在小样本条件下的泛化能力有限。在航空航天热控涂层检测场景中，高质量注释样本的获取成本高昂且数量有限；同时，实际生产环境中的不同照明条件会导致模型在不同场景下的性能下降。现有的端到端训练的分割模型难以在有限注释条件下学习到鲁棒的语义表示。

(iv) 缺乏特定领域的基准数据集。热控涂层缺陷在形态特征和成像条件上与一般工业缺陷有显著差异，目前没有公开的数据集支持该领域检测算法的研发和性能评估。

为了解决上述挑战，本文提出了BEKDNet，一种基于边界增强和知识蒸馏协同优化的热控涂层缺陷分割框架。该框架采用状态空间模型（Mamba）构建编码器，结合了缺陷感知的局部增强机制以平衡全局上下文建模能力和多尺度缺陷特征提取，并融入了两个协同组件：边界增强解码和跨图像关系知识蒸馏。如图2所示，所提出的方法可以集成到完整的工业应用流程中：从模型开发、生产线部署、在线缺陷分割到航天器表面覆盖，提供端到端的自动热控涂层质量控制解决方案。本文的主要贡献如下：

(1) 提出了具有多尺度局部增强的缺陷感知Mamba编码器。为了解决原始状态空间模型在局部细节建模方面的不足，设计了缺陷感知Mamba模块（DAM），包括两个核心组件：多尺度局部卷积和局部增强SSM。通过多分支特征融合，该模块增强了多尺度缺陷的感知能力，同时保持线性计算复杂度。

(2) 提出了具有层次式边缘感知监督的边界增强解码器。设计了一个由边缘引导模块（EGM）和边界细化头（BRH）组成的级联解码架构。EGM基于拉普拉斯算子提取明确的边缘表示，并通过残差连接实现边界感知的特征增强；BRH引入了辅助边界预测分支，通过主分割损失和边界损失的联合优化实现精细的边界定位。

(3) 构建了以DINOv2为语义先验的跨图像关系知识蒸馏框架。引入了自监督预训练的视觉基础模型DINOv2作为教师网络，并设计了基于记忆队列的双重监督机制，包括像素到像素关系蒸馏和像素到区域关系蒸馏，通过跨批量历史特征比较实现光照不变的语义表示传输。

(4) 建立了首个用于航空航天热控涂层缺陷分割的基准数据集TCC-Defect。本文建立了首个热控涂层缺陷分割数据集（TCC-Defect），包含三种代表性缺陷类型：涂层空洞、划痕和瑕疵，为自动化热控涂层检测技术的研究提供了标准化的评估基准。

部分内容
基于深度学习的方法已广泛应用于各种工业场景的表面缺陷分割，包括钢带、磁瓷砖、印刷电路板和焊缝。基于CNN的方法在此领域取得了显著成功。Pan等人（Pan等人，2025）提出了BiDNet，这是一种具有多尺度特征通道注意力（MFCA）和多尺度特征空间注意力（MFSA）机制的双分支解码器网络，用于玻璃表面缺陷分割。

整体架构
所提出的BEKDNet采用编码器-解码器架构，整体框架如图3所示。该网络由四个核心组件组成：（1）基于状态空间模型的层次编码器；（2）局部-全局协同缺陷感知模块（DAM）；（3）边缘引导的边界增强解码器；（4）跨图像关系知识蒸馏框架。编码器采用了SegMAN中的DASS架构（Fu, Yunxiang, Meng Lou和Yizhou Yu, 2025）。

为了应对热控涂层检测领域缺乏特定领域基准数据集的问题，本文构建了TCC-Defect数据集，这是一个用于航空航天热控涂层缺陷分割的像素级注释数据集。如图7所示，开发了一种针对镜面反射表面的定制图像采集系统。该系统由五个核心组件组成：（i）配备远心光学镜头的工业相机（分辨率：）

结论
针对航空航天热控涂层自动缺陷检测面临的镜面反射干扰、边界模糊和注释样本有限等挑战，本文提出了BEKDNet，这是一种结合状态空间模型编码、多尺度缺陷感知和跨图像关系知识蒸馏的边界增强分割网络。主要结论如下：

1. 缺陷感知模块有效平衡了全局上下文建模和局部特征描述能力。