《Engineering Science and Technology, an International Journal》：A new UAV-based approach for detection of paint damage on aircraft surfaces
编辑推荐：
在飞机维护操作中，早期检测飞机外表面的裂纹、腐蚀、冲击损伤和漆层损伤（paint damage）等缺陷至关重要。传统的目视检查方法存在显著局限性，包括检查时间长、运营成本高以及结果因操作员而异。在本研究中，研究人员提出了一种结合无人驾驶飞行器（UAV）成像与基
在飞机维护操作中，早期检测飞机外表面的裂纹、腐蚀、冲击损伤和漆层损伤（paint damage）等缺陷至关重要。传统的目视检查方法存在显著局限性，包括检查时间长、运营成本高以及结果因操作员而异。在本研究中，研究人员提出了一种结合无人驾驶飞行器（UAV）成像与基于深度学习的图像处理技术的方法，以解决这些局限性。作为研究的一部分，研究人员创建了一个包含飞机外表面高分辨率图像的数据库，旨在自动检测漆层损伤。研究人员使用了基于YOLO（You Only Look Once）的目标检测模型（YOLOv11和YOLO26）进行缺陷检测，并通过在Roboflow和Google Colab平台上使用相同数据库进行训练，比较评估了模型性能。获得的结果表明，所提出的方法在检测飞机表面漆层损伤方面具有高准确性和可靠性。此外，研究人员观察到，训练平台的选择会影响模型在基于视频分析中的时间一致性。在不同硬件平台上进行的测试表明，该方法可适用于各种系统；然而，硬件能力是影响实时性能的关键因素。总之，所提出的UAV支持的深度学习方法为飞机维护过程提供了一种更快速、非接触且可重复的检查方法，在维护、维修和大修（MRO）操作的数字化和自动化方面显示出巨大潜力。
**论文解读：基于无人机的飞机表面漆层损伤检测新方法**
**研究背景与问题**
在飞机维护操作中，飞机外表面的裂纹、腐蚀、冲击损伤和漆层损伤（paint damage）等缺陷的早期检测对飞行安全至关重要。传统的目视检查方法依赖地面人员使用平台和梯子进行物理接触，存在检查时间长、运营成本高、结果因操作员主观差异而波动的显著局限。随着飞行频率增加、飞机系统日益复杂以及操作时间窗缩短，传统维护方法的不足愈发突出。因此，航空业迫切需要采用更灵活、快速且技术聚焦的方法来重新审视维护与检查流程。现有研究已探索无人机（UAV）和深度学习（Deep Learning）技术在飞机表面缺陷检测中的应用，但针对漆层损伤的专门检测、不同训练平台的对比以及硬件对实时性能的影响仍需深入评估。本研究旨在提出一种结合UAV成像与深度学习的目标检测方法，以实现飞机表面漆层损伤的自动、快速、非接触且可重复的检测，推动维护、修理和大修（MRO）操作的数字化与自动化。论文发表在《Engineering Science and Technology, an International Journal》。
**开展的研究与结论**
研究人员创建了一个包含1226张高分辨率图像的数据集（其中81%用于训练，10%用于验证，9%用于测试），这些图像来自实际飞机表面的UAV采集（使用DJI Air 3）以及开源来源。使用YOLO（You Only Look Once）目标检测模型（YOLOv11和YOLO26）进行漆层损伤检测，并在Roboflow和Google Colab两个平台上分别训练，对模型性能进行对比评估。结果表明，所提出的方法在漆层损伤检测中实现了高准确性和可靠性。Roboflow环境训练的模型（YOLOv11：mAP@50=95.5%；YOLO26：mAP@50=97.0%）在精度和视频一致性上优于Google Colab环境（YOLOv11：mAP@50=89.1%；YOLO26：mAP@50=88.5%）。硬件平台测试显示，高性能设备（如Windows计算机）可实现高达47.00 FPS的推理速度，而资源受限平台（如Raspberry Pi 5）仍能提供约4.56 FPS的稳定性能。低光照条件下检测性能显著下降。该方法在自动化检测方面展现出巨大潜力，为MRO操作提供了一种高效工具。
**主要关键技术方法**
研究人员使用DJI Air 3无人机（UAV）采集飞机外表面高分辨率图像（48 MP），结合Roboflow平台进行数据标注（漆层损伤类别）和预处理（Auto-Orient和640×640 Resize），并在Roboflow和Google Colab两个平台上训练YOLOv11和YOLO26目标检测模型（batch size=16，AdamW优化器，lr=0.002）。数据集来源包括实际飞机UAV图像和开源图像，共1226张，无数据增强。模型性能通过Precision、Recall、mAP@50和mAP@50-95评估，并在静态图像、视频及不同硬件（Windows、MacBook、Raspberry Pi 5）上进行测试。
**研究结果**
**3. 实验结果**
研究人员使用包含1226张图像和6199个漆层损伤实例的数据集，在Roboflow（YOLOv11和YOLO26）和Google Colab（YOLOv11和YOLO26）环境中训练模型，并基于Precision、Recall、mAP@50和mAP@50-95指标对比性能。
**3.1 YOLOv11模型实验结果**
通过混淆矩阵和损失函数分析，Roboflow YOLOv11 (Medium) 模型在测试集上实现mAP@50=95.5%，Precision=95.0%，Recall=95.2%，mAP@50-95=70.6%；Google Colab YOLOv11在265 epoch时达到mAP@50=89.1%（Precision=87.0%，Recall=83.4%），损失函数稳定下降，验证集趋势一致。
**3.2 YOLO26模型实验结果**
Roboflow YOLO26 (Medium) 模型达到mAP@50=97.0%，Precision=96.5%，Recall=94.8%，mAP@50-95=73.4%；Google Colab YOLO26在265 epoch时mAP@50=88.5%（Precision=90.0%，Recall=84.0%），模型进入平台期后终止训练。总体对比显示，Roboflow环境训练模型性能优于Google Colab，且YOLO26在Roboflow平台表现最优。
**4. 讨论与结果**
**4.1 检测性能评估**
以置信阈值0.50对静态图像和视频数据进行测试。Roboflow YOLO26模型在静态图像上实现高精度检测，视频测试中YOLO26模型在小面积损伤区域检测上优于YOLOv11，且Roboflow训练模型在视频上表现出更稳定的检测行为（置信分数波动更小）。
**4.1.1 YOLOv11模型性能评估**
使用Roboflow和Google Colab训练权重测试图像和视频，结果显示YOLOv11模型均能正确框选漆层损伤，视频中检测一致性良好，但Colab模型在部分场景出现置信分数波动。
**4.1.2 YOLO26模型性能评估**
类似测试表明，YOLO26模型在静态和视频数据中均能正确识别漆层损伤，且Roboflow训练的YOLO26在小而分散的损伤区域上误检率更低。
**4.2 推理速度分析**
在Windows 1（Best FPS=47.00，Avg FPS=28.10）、Windows 2（Best FPS=24.10，Avg FPS=18.07）、MacBook（Best FPS=14.51，Avg FPS=6.32）和Raspberry Pi 5（Best FPS=5.14，Avg FPS=4.56）上测试，结果显示硬件能力显著影响性能，Windows 1平台满足实时应用需求，Colab环境训练的模型FPS通常高于Roboflow环境。
**4.3 低光条件下的性能**
使用Roboflow YOLO26（最高性能模型）在低光视频上测试，发现检测性能明显下降（假阳性来自反射，漏检因可见度低），原因是DJI Air 3要求最低15 lx照度，侧向表面无法有效照明。建议在机库等受控环境中应用。
**总结讨论与结论翻译**
讨论部分指出，模型性能不仅取决于架构（YOLO26在小尺度损伤上更敏感），还受训练平台（Roboflow提供更稳定的视频检测）和硬件能力影响；低光条件限制检测精度，但可通过机库环境缓解。结论原文翻译如下：
在本研究中，研究人员应用了一种基于目标检测的方法，利用无人机（UAV）获取的飞机外表面高分辨率图像，自动检测漆层损伤（paint damage）。一个包含1226张图像的数据集在Roboflow（YOLOv11和YOLO26）和Google Colab（YOLOv11和YOLO26）环境中训练的目标检测模型进行了评估，并对所得模型进行了比较分析。实验结果表明，在Roboflow和Google Colab环境中训练的模型均在静态图像上取得了成功结果，但基于视频的测试显示，Roboflow环境训练的模型（YOLOv11和YOLO26）表现出更稳定和一致的检测性能。性能结果显示，Roboflow环境训练的模型获得了比Google Colab环境更高的精度值。在Roboflow环境训练的YOLOv11和YOLO26模型的mAP@50值分别为0.955和0.970，而在Google Colab环境中相应值为0.891和0.885。此外，Roboflow环境训练的YOLO26模型在所有评估模型中表现最优，Precision、mAP@50和mAP@50-95值分别达到0.965、0.970和0.734。这些发现表明，在本研究范围内，Roboflow环境训练取得了更优性能，且YOLO26架构在Roboflow环境中性能优于YOLOv11模型。评估不仅限于精度指标，还考虑了推理速度（FPS）。在FPS分析中，Windows计算机1上的YOLO26模型实现了最高推理性能47.00 FPS；Windows计算机2、MacBook和Raspberry Pi 5的最高FPS分别为24.10 FPS、14.51 FPS和5.14 FPS。这些结果证明，所评估的模型能够在不同硬件平台上提供实用的推理性能，同时保持高精度。因此，模型选择应同时考虑精度指标、计算成本和目标硬件平台特性。综合所有结果，所提出的方法在检测飞机外表面漆层损伤方面表现出高精度、稳定性和适用性。在不同训练平台和模型架构下获得的结果一致性表明，该方法可在不同训练环境下可靠运行。特别是基于视频的测试证明，该方法不仅能在静态图像上，也能在实际操作场景中取得成功结果。这些发现表明，所提出的方法在不同训练基础设施和硬件条件下具有可应用性和泛化能力。然而，本研究存在一定的操作限制：低光条件下检测性能下降，雨雪等恶劣天气降低图像质量，阴影、反射和角度变化可能影响某些区域的损伤可见度。尽管如此，这些问题主要与露天环境中的飞机检查相关，在机库维护操作中可以大大缓解。因此，在受控维护环境中，所提出的方法在漆层损伤检测方面提供高度精确、稳定和可靠的结果。此外，与近期飞机表面缺陷检测研究的比较表明，该方法在没有应用数据增强技术的情况下达到了竞争性性能。总之，所提出的方法在自动检测飞机外表面漆层损伤方面展现了高精度，同时具备跨平台适用性和实时系统适应性。基于这些特性，所提出的方法有望在未来的无人机辅助飞机维护和检查过程中用作决策支持工具。
