综述：可重复使用运载器损伤检测的计算机视觉方法综述：方法、应用、不足与展望

《ADVANCED ENGINEERING INFORMATICS》：A comprehensive review of computer vision for damage detection in Reusable Launch Vehicles: Methods, applications, gaps, and outlook

　　

•跨领域可迁移性矩阵将通用CV范式映射到极端航天场景。•系统性识别现有CV指标与严格航天无损检测标准之间的关键差距。•结合PINNs的路径图，在SWaP受限的边缘部署约束下实现零样本推理。引言可重复使用运载火箭（RLV）技术对于航天产业向可持续探索的转型至关重要，其带来了显著的成本降低和发射频率的提升。中国航天科技集团有限公司提出，未来的重型运载火箭将采用两级完全可重复使用的构型[1]。与此同时，蓝箭航天在可重复使用技术方面取得了重大进展[2]、[3]。SpaceX对猎鹰9号火箭一级进行了多次海上平台和陆地回收试验[4]、[5]，而蓝色起源的新谢泼德号代表了一个完全可重复使用的垂直起降（VTVL）系统[6]、[7]。然而，可重复使用火箭技术的发展带来了前所未有的技术挑战。火箭必须在多次发射、再入和着陆过程中承受极端热应力、机械载荷和环境侵蚀，这对结构健康监测（SHM）提出了更高的要求[8]。美国联邦航空管理局对蓝色起源NS-23事故[9]的调查表明，发动机喷管的温热结构失效是直接原因，突显了精确损伤检测在保障可重复使用火箭安全中的关键作用[10]、[11]。此类火箭的损伤检测必须涵盖两大核心部件：机体结构和发动机系统。它要求具备高精度、广覆盖和强实时性等特性[12]，具体损伤形式包括热防护系统（TPS）烧蚀、表面裂纹、腐蚀和结构变形[13]。计算机视觉凭借其非接触操作、高精度和高效等优点，已成为火箭损伤检测的关键技术[14]、[15]。通过将图像与算法相结合，实现目标的自动识别和定位，该技术在实用应用中展现了巨大的潜力[16]。近年来，基于深度学习的计算机视觉技术快速发展。在此背景下，多篇关于结构损伤检测的综述已发表。然而，现有研究主要集中在土木工程和工业机械等传统领域，在航天场景的针对性覆盖方面存在显著空白。Haruna等人[17]系统综述了混合卷积神经网络（CNN）和视觉Transformer（ViT）架构的协同效应；其在图像分类和目标检测方面的算法创新为结构损伤检测提供了理论支持，但未涉及算法在极端环境下对航天设备的鲁棒性适应。Pan等人[18]从数据驱动的视角，对过去五年结构损伤评估的计算机视觉技术进行了综述，讨论了按混凝土、钢材、砌体和木结构分类的损伤识别方案。然而，他们未提及航天特种材料（如机体铝合金和发动机高温合金）的损伤检测特性。此外，他们对木结构等非主流类型研究空白的明确指出，间接反映了航天特种结构方面的研究空白。Mohammadi等人[19]综述了CNN、ViT和混合模型在基础设施维护中的应用，围绕工业机械的智能无损评估展开，强调了数据可用性和可扩展性挑战，但未考虑航天领域损伤样本稀缺和运行数据难以获取的特殊困境。Yuan等人[20]聚焦于土木基础设施的裂纹检测，将现有方法分为传统与深度学习融合、多模态数据融合和语义图像理解。虽然该分类框架具有参考价值，但未涉及微裂纹和热烧蚀等典型航天缺陷的检测需求。Duan等人[21]聚焦于生成式AI在SHM中的应用，提出了数据增强和图像修复的框架，为解决小样本问题提供了思路，但与航天设备检测的严格精度标准不符。Sarkar等人[22]以混凝土结构为中心，综述了AI驱动的图像分析技术，填补了单一结构类型的具体空白，但也突显了缺乏针对机体和发动机等航天特种结构专门综述的情况。Chen等人[23]通过批判性分析指出，基于CV的SHM正在从"缺陷检测"转向"缺陷建模"；然而，其结论基于土木工程实践，未考虑航天设备损伤演化的极端非线性特性。此外，Spencer等人[24]综述了AI在SHM方面的进展；虽然他们提到了视觉技术整合的趋势，但未将其延伸至航天特定动态载荷和极端温度对检测精度的影响。Liu等人[25]综述了海上风力发电机的机器人检测；其载体适配思路为航天无人机/机器人协同检测提供了参考，但未涉及航天特有的电磁干扰和真空环境等约束条件。总体而言，现有综述在算法架构、数据处理和对传统结构类型的适配等维度奠定了基础，识别了数据标注和复杂背景适配等共性挑战。然而，其在航天领域的局限性尤为突出：（1）航天特定结构的覆盖缺失：现有综述聚焦于土木工程和农业等传统领域，未能涉及航天器相关结构的适配研究。（2）极端环境适应性缺失：现有技术主要针对地面常规环境，未考虑真空、高温和低温等特殊航天环境的影响。（3）未涉及航天特定损伤类型：现有研究聚焦于裂纹和表面损伤，未涵盖特殊损伤（如深层烧蚀、特定热疲劳）的检测与评估。（4）航天特定监测载体的整合不足：现有综述讨论的无人机和地面机器人无法满足太空机器人和在轨监测设备的技术要求。因此，迫切需要一份专注于航天场景特征、衔接航天检测标准并整合最新技术成果的专门综述。这将为计算机视觉损伤检测的研究和工程实践提供针对性参考，填补现有综述在航天领域留下的空白。在此背景下，本文全面综述了计算机视觉损伤检测方法的最新进展。本文的目标、创新点和主要贡献包括：（1）提供从传统图像处理到前沿深度学习模型的全面理论综述，以及机体结构和发动机系统的工程应用场景。同时剖析当前挑战和未来机遇，为该跨学科领域的研究人员和实际工程师提供关键理论支持和实际案例。（2）基于机体和发动机两大系统，将技术应用分为表面裂纹、内部缺陷和异常检测三大核心方向。明确了从单模态到多模态融合、从静态检测到实时监控、从传统方法到深度学习的主流趋势转变。（3）结合可重复使用火箭的严格检测标准和工程实践要求，细致分析现有计算机视觉算法技术能力与实际应用需求之间的适配差距，指出未来研究在性能提升和系统优化方面的关键路径。（4）规划计算机视觉与数字孪生及物理信息神经网络（PINNs）深度融合、多模态传感数据与视觉技术协同优化、极端航天环境轻量化智能监控系统高效部署等前沿方向。这为该领域向智能化、实时化和高可靠性发展提供了思路。RLV的高频重复使用加速了损伤积累——包括TPS烧蚀、表面裂纹和结构变形——构成关键安全风险，需要可靠的检测方案。计算机视觉为这一问题提供了非接触、高精度的途径，但目前尚缺乏系统综述来衔接通用CV方法与航天检测的严格标准。为填补这一空白，本文提供了针对RLV基于CV损伤检测的全面综述，涵盖理论、应用、差距和未来方向。目标有四方面：综合从传统图像处理到深度学习的CV损伤检测理论；对机体和发动机应用进行分类；识别CV方法与航天标准之间的适配差距；以及规划多模态感知、物理信息神经网络（PINNs）和轻量化部署方向。本文聚焦于可重复使用运载火箭（RLV）及其地面/近地轨道（LEO）任务相关的视觉检测场景。讨论了以视觉信息为核心的单模态和多模态（可见光、红外、X射线/CT、点云等）损伤检测方法。本文中，"损伤"主要涵盖表面裂纹/腐蚀/烧蚀/凹坑、几何变形和可间接成像或重建表征的内部缺陷（脱粘、气孔等）；纯结构力学建模或仅基于非视觉传感的诊断不是本文的重点。如图1所示，本文其余部分组织如下：第2节介绍文献检索和筛选方法。第3节回顾损伤检测算法的基础和前沿架构，按"识别—定位—量化"的任务链组织。第4节按机体结构和发动机系统两大对象总结工程应用。第5节从航天检测标准和飞行就绪决策的视角提供数据集、评估指标和技术差距的对比分析。第6节总结关键挑战并提出研究路线图。最后，第7节给出主要结论和建议。章节摘录方法为确保全面覆盖高质量学术出版物，选择了Web of Science和晶纬知识服务平台作为搜索引擎。使用"计算机视觉"和"损伤检测"作为关键词，历年出版物数量如图2所示。经过对过去十年出版物的调查，重点缩小到最近五年内发表的期刊文章。关键词如"可重复使用运载火箭"、"火箭损伤"计算机视觉损伤检测算法的基础和架构计算机视觉为航天结构损伤的自动化高精度检测提供了核心解决方案。为避免"算法堆砌"式综述，本节以工程检测流程为主线，将任务组织为三层渐进式任务链。首先，结合航天器典型损伤模式和检测精度要求，明确定义了渐进式任务层级。其次，基于该层级，现有面向应用的计算机视觉算法工程化计算机视觉技术在工程应用中展现出巨大的潜力。针对可重复使用运载火箭（RLV）的结构复检和发动机健康评估，本节围绕"识别—定位—量化"三层任务链，以机体结构和发动机系统两大对象为中心，总结了典型损伤的工程路径。此外，还讨论了多级任务适配和虚拟面向航天检测标准的评估体系与差距分析虽然前一节讨论的算法理论为实际航天工程挑战提供了多样化的针对性解决方案，本节结合成功案例进行了深入跨领域分析，直观展示了这些技术如何解决热防护系统（TPS）烧蚀、复杂背景干扰和微缺陷检测等具体痛点。技术挑战可重复使用运载火箭（RLV）的健康发展对航天产业至关重要。其检测技术在极端环境和复杂运行条件下面临多重挑战，现有计算机视觉方法在航天应用场景中仍存在显著不足。数据驱动方法的有效性受限于高质量样本的稀缺性。虽然Li等人[79]利用条件GAN合成混凝土图像，结论本综述重新定义了计算机视觉在可重复使用运载火箭（RLV）中的应用，将关注点从纯粹的算法性能转向严格的工程约束。核心贡献在于提出跨领域可迁移性框架：通过将成熟的基础设施CV范式系统映射到航天特定场景（如TPS烧蚀、喷管缺陷），我们为RLV场景中提供了一个可行的"冷启动"算法基础。CRediT作者贡献声明李传扬：撰写—审阅与编辑，监督。王普慧：撰写—原稿撰写，可视化，验证，方法论。胡昌华：资金获取，形式分析。张子明：方法论，概念化。庞元龙：形式分析，数据整理，概念化。

温馨怡：资源与方法论。利益冲突声明：作者声明不存在任何已知的竞争性财务利益或个人关系，这些因素可能会影响本文所报告的工作。致谢：本研究得到了国家自然科学基金（批准号62227814、52205040）和陕西省"三秦人才"计划的支持。李传洋 | 王普辉 | 胡长华 | 张泽铭 | 庞远龙 | 温馨怡