航空发动机叶片缺陷检测的频率感知轻量级网络及小波高效层聚合方法

《Aerospace Science and Technology》：A Frequency-Aware Lightweight Network with Wavelet Efficient Layer Aggregation for Defect Detection of Aero-Engine Blade

　　

摘要
内窥镜检查是检测航空发动机叶片损伤的常用方法，但仍高度依赖人工操作。尽管现有智能内窥镜检查方法在检测精度上取得显著提升，其高计算复杂度限制了在资源受限环境中的实际部署。针对这一问题，本文提出了一种基于小波卷积模块(WConv)的离散小波变换(DWT)方法，通过联合捕获低频结构信息和高频细节特征，实现高效多尺度特征提取。此外，设计了小波高效层聚合网络(WELAN)，基于梯度路径设计及三通道图像表示，有效增强梯度多样性，同时降低计算复杂度和模型参数量。将这些模块集成到YOLO目标检测框架中，构建了轻量级缺陷检测模型YOLOv9t-WELAN。通过构建航空发动机叶片损伤内窥镜数据集，并进行对比实验、消融研究、可视化分析及模块布置分析，实验结果表明YOLOv9t-WELAN在mAP@0.5上达到0.98的检测精度，同时模型尺寸较基线减少25%。在公共实际损伤数据集上的迁移实验进一步验证了其跨域泛化能力，证明了在不牺牲性能的情况下实现轻量化设计的有效性。

论文解读
### 研究背景与问题
航空发动机是飞机的核心部件，叶片作为发动机中最关键的组件之一，长期工作在高温、高压和高速旋转环境下。叶片的缺陷不仅可能引发性能下降，还会直接影响飞行安全。因此，对叶片缺陷的精确检测是发动机健康监测的重要环节。当前，内窥镜检查是航空发动机叶片缺陷检测的主要现场方法，通过内窥镜视觉检查叶片内部。然而，传统内窥镜检查高度依赖检测人员经验，重复性高，人工标注有限且不一致，导致检测鲁棒性差。

随着深度学习特别是卷积神经网络(CNN)的发展，智能内窥镜叶片检测逐渐成为研究热点。早期研究主要通过CNN分类模型区分有缺陷与无缺陷的图像，但缺乏对缺陷区域的精确定位。随后，引入目标检测框架如R-CNN和YOLO，实现了损伤区域定位。近年来，为进一步提升精度，研究者引入多尺度特征融合、注意力机制以及Transformer结构，但这类方法通常依赖深层网络和复杂模块，增加了模型参数和计算成本。在实际应用中，检测系统需部署在便携设备、嵌入式平台或边缘计算环境中，因此轻量化模型设计在保证精度的前提下成为关键挑战。

### 研究内容
本文提出将传统小波变换特征提取与卷积神经网络结合，开发了一种轻量高效的叶片缺陷检测模型YOLOv9t-WELAN。研究人员设计了离散小波变换(DWT)与逆离散小波变换(IWT)模块，并构建了小波卷积模块(WConv)，严格遵循小波分解–处理–重构范式，将可学习特征处理嵌入模块，实现多尺度频率感知特征提取，同时显著降低参数量。基于梯度路径设计、三通道图像表示及小波变换，提出了小波高效层聚合网络(WELAN)，通过三分支通道分组策略有效减少冗余计算并增强梯度多样性和特征表示能力。最终，研究人员将DWT/IWT模块和WELAN集成至轻量YOLOv9t，构建了YOLOv9t-WELAN模型，并在自建和公开航空发动机叶片损伤数据集上进行了广泛实验，包括对比、消融、可视化及模块布局分析。

### 关键技术方法
研究使用了以下主要方法：1) 离散小波变换(DWT)与逆小波变换(IWT)实现图像多尺度分解与重构；2) 小波卷积模块(WConv)嵌入卷积网络以实现频率感知特征提取；3) 小波高效层聚合网络(WELAN)通过三通道分支和梯度路径设计优化特征聚合；4) YOLOv9t框架作为轻量化检测骨干，实现模型整体集成；5) 数据集来源包括自建航空发动机叶片内窥镜数据集及公共真实损伤数据集。

### 研究结果
**Discrete wavelet transform**：DWT模块能够有效分解图像为多频带，捕获边缘、轮廓及纹理信息，同时抑制噪声。
**Methodology**：将WConv和WELAN嵌入YOLOv9t中，实现轻量化的多尺度频率感知特征提取，显著提升叶片损伤检测精度，同时减少模型参数。
**Dataset**：自建数据集提供高质量的训练样本，公共数据集用于迁移学习验证跨域能力。
**Discussion**：YOLOv9t-WELAN在mAP@0.5上达到0.98，同时将模型参数与计算成本较基线减少25%，适合资源受限场景部署；迁移学习实验验证了其良好泛化能力。
**Conclusion**：通过结合WConv和WELAN模块，YOLOv9t-WELAN在保持高检测精度的同时实现轻量化设计，证明了频率感知轻量网络在航空发动机叶片缺陷检测中的有效性和应用价值。