编辑推荐：
旋转螺旋桨的缺陷检测至关重要，因为微小缺陷可能导致性能下降、振动、噪声和安全风险。传统的基于帧的相机（frame-based cameras）存在运动模糊（motion blur），而高速相机（high-speed cameras）通常需要昂贵的设备和受控条件
旋转螺旋桨的缺陷检测至关重要，因为微小缺陷可能导致性能下降、振动、噪声和安全风险。传统的基于帧的相机（frame-based cameras）存在运动模糊（motion blur），而高速相机（high-speed cameras）通常需要昂贵的设备和受控条件。本研究探讨了一种基于事件相机（event camera）的传感框架，该框架将高速旋转螺旋桨产生的异步亮度变化转换为正负（PN）复合事件累积图像（positive–negative (PN) composite event accumulation images），并利用卷积神经网络（CNN）对正常和缺陷螺旋桨进行分类。梯度加权类激活映射（Grad-CAM）可视化类判别区域并提取候选缺陷区域，而归一化互相关（normalized cross-correlation）生成相同旋转相位的事件累积图像以监测缺陷进展。使用约1 mm人工叶片缺陷的65 mm三叶螺旋桨在约862 rpm下旋转的实验表明，在探索性累积时间分析中，900 μs产生了0.93的图像级准确率；在当前数据集中，积分一个完整旋转的图像未产生任何误分类。在2610 rpm下的额外实验使用基于距离变换像素计数（distance-transform pixel counts）的定量指标追踪了缺陷进展。这些结果支持了基于事件传感（event-based sensing）在测试条件下对高速旋转螺旋桨进行缺陷检测、裁剪候选缺陷相关区域以及追踪与缺陷进展相关的图像域指标（image-domain indicator）的可行性。
**论文解读：基于事件相机的高速旋转螺旋桨缺陷检测方法**
**研究背景与问题**
旋转螺旋桨的缺陷检测在工业设备安全中至关重要，因为微小缺陷会导致性能退化、振动、噪声甚至严重事故。传统基于帧的相机（frame-based cameras）在高速旋转下因曝光时间内的运动而产生严重运动模糊（motion blur），丢失叶片轮廓和局部形状信息，难以直接用于缺陷检测。高速相机（high-speed cameras）虽能缩短曝光时间，但需要高强度照明、严格成像条件控制以及大容量存储和处理设备，存在成本高、部署受限等问题。针对这些挑战，研究人员引入事件相机（event camera）——一种仅输出像素亮度变化超过阈值时的异步事件传感器，具有微秒级时间分辨率、高动态范围和低延迟特性。然而，事件相机输出的是稀疏的异步事件流，难以直接应用传统图像处理或识别模型。因此，需要开发一种将事件流转换为适合缺陷检测任务表示的方法，并探索其用于高速旋转螺旋桨缺陷分类、候选区域提取和缺陷进展观察的可行性。
**研究开展与结论**
研究人员提出了一种融合事件相机与机器学习的传感与分析框架。该方法将异步事件流在一定时间窗口内累积生成正负（PN）复合事件累积图像（positive–negative (PN) composite event accumulation images），该图像在HSV颜色空间中用色相表示正事件比例、明度表示总事件数，保留事件极性、位置和密度信息。随后使用预训练的ResNet-18（基于ImageNet）进行正常/缺陷二分类。为验证分类器是否关注缺陷本身，采用梯度加权类激活映射（Grad-CAM）可视化对缺陷类贡献最大的区域，并基于最大响应点裁剪候选缺陷区域。此外，利用归一化互相关（normalized cross-correlation）估计螺旋桨转动周期，生成相同旋转相位的事件累积图像，从而观察缺陷随时间进展的变化，并通过距离变换（distance transform）提取远离事件点集的空白区域像素计数作为图像域指标（image-domain indicator）。实验采用65 mm塑料三叶螺旋桨，人工制造约1 mm叶片缺陷，在约862 rpm和2610 rpm转速下使用SilkyEvCam HD事件相机（IMX636传感器）采集数据。数据集包含5个正常和5个缺陷螺旋桨各5次录制，共250,000张PN复合事件累积图像。分类实验采用螺旋桨实例级留出分割（propeller-instance-level holdout split），评估对新物理实例的泛化能力。结果表明，在900 μs累积时间下PN复合表示达到0.9398的峰值平均准确率（高于事件直方图基线0.9246），且单次完整旋转的集成决策未出现误分类。Grad-CAM可视化显示高响应区域与已知缺陷区域重叠，5000张正确分类的缺陷图像中候选区域包含率为100%。缺陷进展实验中，距离变换像素计数随时间增加，直至缺陷叶片断裂。
**主要关键技术方法**
1. **PN复合事件累积图像生成**：将固定时间窗口内的正负事件分别计数，通过总事件数经对数缩放和伽马校正后作为明度分量，正事件比率作为色相分量，在HSV颜色空间中编码为RGB图像，保留极性信息。
2. **CNN分类**：采用ImageNet预训练的ResNet-18，先冻结卷积层仅训练全连接层3个epoch，再全网络微调10个epoch，使用AdamW优化器和类别平衡交叉熵损失，并应用数据增强。
3. **Grad-CAM候选区域提取**：计算最终卷积层特征图对缺陷类得分的梯度空间平均权重，生成类激活热图，上采样至输入尺寸后取最大响应点为中心裁剪局部区域。
4. **归一化互相关周期估计**：以短时间间隔生成事件累积图像序列，计算参考图像与滞后图像的归一化互相关，提取第一个局部峰值作为叶片通过周期，进而计算旋转周期，生成相同相位的事件累积图像。
5. **距离变换像素计数**：在裁剪的缺陷区域图像中设置ROI，提取非黑色像素作为事件点集，通过距离变换计算每个像素到最近事件点的欧氏距离，提取距离大于阈值的像素作为候选缺陷区域，以像素数量作为图像域指示器。
**研究结果**
**4.2 缺陷检测性能**
通过系统变化累积时间（100 μs至5000 μs，步长100 μs）进行探索性分析，PN复合表示在900 μs时达到峰值平均准确率0.9398（标准差0.00585），优于事件直方图基线（1600 μs时0.9246）。这表明编码极性相关事件模式在短累积时间内有效，因为正负事件沿运动叶片边缘的空间分离得以保留。集成单次完整旋转的多张图像后，未出现误分类，说明多相位观测提高了决策稳定性。
**4.3 使用Grad-CAM的可视化与候选缺陷区域提取**
对正确分类的缺陷图像应用Grad-CAM，热图高响应区域与已知缺陷区域视觉重叠。以最大响应点为中心裁剪的局部图像中，5000张图像全部包含已知缺陷区域（包含率100%）。误分类图像未集中在特定旋转相位或时间，可能由噪声、阴影等瞬时因素导致。
**4.4 旋转螺旋桨缺陷进展行为观察**
在2610 rpm转速下，引入初始较大缺陷，通过归一化互相关估计周期，生成相同相位的事件累积图像。序列图像显示缺陷区域事件分布随时间变化，距离变换像素计数随时间增加，随后缺陷叶片断裂。该结果支持了在高速旋转下观察缺陷相关事件模式变化的可行性。
**讨论与结论**
研究结论部分翻译如下：
高速旋转螺旋桨的缺陷检测可采用基于帧的相机或高速相机，但标准帧相机因运动模糊易丢失缺陷区域局部形状信息，而高速相机面临设备成本和强光照等约束。本研究利用事件相机的高时间分辨率和异步操作，将高速旋转螺旋桨产生的事件表示为PN复合事件累积图像，并使用CNN分类正常和缺陷螺旋桨。实验表明，在测试条件下单张事件累积图像可区分正常与缺陷螺旋桨；集成单次完整旋转的多张图像后，当前数据集未出现误分类。Grad-CAM作为事后可视化方法，在检查样本中高响应区域与已知缺陷区域视觉重叠，表明缺陷区域附近局部事件模式可能与缺陷类决策相关。此外，基于Grad-CAM最大响应点裁剪的候选缺陷区域包含了已知缺陷。通过归一化互相关估计旋转周期生成相同相位的事件累积图像，观察了缺陷在旋转过程中扩展的过程，并利用距离变换提取远离事件点集的空区域作为缺陷区域，追踪距离变换像素计数作为缺陷进展的图像域指标。这些结果支持了所提方法在测试条件下对高速旋转螺旋桨进行分类、裁剪候选缺陷相关区域以及追踪缺陷进展相关图像域指标的可行性。未来工作将研究不同螺旋桨几何形状、材料、缺陷类型（包括自然缺陷）、转速、光照条件、相机设置和真实运行环境下的适用性，以及扩展到实时处理。在大规模、多样化数据集上与轻量级和更现代的分类器架构比较也是重要方向。
