基于磁激励红外热成像技术的复杂缺陷智能无损检测

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Intelligent non-destructive evaluation of complex defects using magnetization-excited infrared thermography

　　

本研究开发了一种融合DEMIT（双模式电磁磁化激励红外热成像）与深度学习的智能检测框架，用于飞机液压管路检测。DEMIT实现了对曲面铁磁性管状组件的快速红外检测，并具备局部区域检测潜力。自主研发的自动化系统实现了同步磁化、红外成像与智能检测。MS-SRG（多尺度超分辨率引导特征增强器）提升了红外图像中的细粒度细节增强与多尺度特征表示能力。SMC（监督匹配稳定校准）在类别不平衡条件下稳定了类别区分，减少了易混淆缺陷的误报。

引言

飞机液压管路是飞机液压系统中的关键部件，其可靠运行对飞行安全与稳定至关重要。作为液压动力传输与控制的主通道，液压管路直接参与飞行控制、起落架与制动系统等关键功能单元的运作。由于管路存在弯头、曲线等复杂几何结构，检测工作面临较大挑战。在长期服役过程中，管路承受高压脉动、振动、交变载荷及复杂空间约束，容易出现裂纹、腐蚀与磨损等表面缺陷。一旦发生此类缺陷，可能导致液压泄漏、传动性能下降以及液压系统功能退化。因此，飞机液压管路表面缺陷的准确可靠检测极为重要。

为在不破坏结构完整性的前提下及时识别表面缺陷，无损检测已成为飞机液压管路检测的重要手段。针对铁磁性部件的有效检测，业界开发了多种无损检测方法，包括涡流检测、射线检测和超声波检测等。然而，液压管路复杂的几何结构以及日益增长的检测效率需求，对这些方法提出了严峻挑战。超声检测通常需要特定的检测条件，且检测流程相对复杂；射线检测则成本高昂。尽管涡流检测在铁磁性部件检测中表现良好，但其有效性高度依赖于线圈设计以及传感器与被检试样之间的提离距离，同时检测结果还受缺陷与激励线圈相对方位的影响。然而，对于弯管等具有曲面和不规则表面的复杂几何结构部件，涡流检测方法的适用性受到显著限制，因为这些因素影响传感器的定位以及缺陷相对于线圈的方位。因此，目前仍难以同时检测液压管路上多种类型的复杂表面缺陷。为克服上述方法的局限性，磁粉检测因其对表面不连续的高灵敏度、直观的指示特性以及相对成熟的检测流程，已广泛应用于工业领域。Chen等人采用基于三维测量的磁粉检测方法，实现了对轴类铁磁性材料裂纹的自动识别。该方法通过漏磁场作用下磁粉的聚集，在磁化后使表面不连续可视化显现。然而，此类缺陷可视化依赖于在试样表面施加荧光磁悬液，不可避免地引入污染并增加检测后清洁负担。因此，一种更理想的策略是在保留荧光磁粉检测高灵敏度与直观缺陷显现能力的前提下，消除其对磁悬液的依赖。在此背景下，热致缺陷显现提供了极具吸引力的解决方案。通过将磁化激励与红外热成像相结合，所提出的方法利用热响应差异而非磁粉聚集来实现缺陷可视化，从而实现对飞机液压管路表面缺陷的非接触检测，同时避免表面污染。

基于上述原理，基于电磁激励的主动红外热成像已日益受到关注，用于铁磁性部件的缺陷可视化。除了电磁激励外，光学激励热成像也在主动红外无损检测中得到了广泛研究。代表性方法包括频率调制热波成像、脉冲压缩热成像、编码激励热成像以及相关热信号增强技术，这些方法在远程全场检测与缺陷可见度增强方面展现了优势。然而，光学激励依赖外部光学加热，其热响应可能受光学吸收、表面发射率分布、加热均匀性及热扩散等因素影响。对于具有曲面和非均匀表面的反射金属管状部件，这些因素可能影响缺陷热响应的稳定性。因此，本研究聚焦于铁磁性飞机液压管路的磁化激励热成像路径。在现有激励策略中，涡流激励热成像已被广泛研究，因为电磁感应能够在不直接接触的情况下在导电材料中快速产生热响应。在涡流激励红外热成像中，将高频交流电施加于靠近试样的激励线圈，从而在短时间内在试样内感应出涡流。由此产生的焦耳热作为后续热扩散的热源，而缺陷会扰乱涡流分布并在缺陷区域产生异常温度分布。先前的研究表明了该技术在铁磁性部件缺陷检测中的潜力。然而，对于具有复杂几何结构和多样表面缺陷形态的铁磁性飞机液压管路，传统涡流激励红外热成像的性能仍高度依赖于线圈设计、提离距离、激励参数选择以及缺陷与激励场之间的相对方位。这些因素使得在实际检测条件下难以同时实现稳定激励、清晰热对比度和对多种表面缺陷的可靠检测。因此，仍需一种更理想的热成像激励策略，该策略应更加契合铁磁性部件的磁响应特性，对复杂激励参数调整的依赖性更低，并且更适用于复杂几何结构管路的检测。为满足这一需求，本研究开发了双模式电磁磁化激励红外热成像，通过环向与纵向磁化的耦合，增强弯曲铁磁性管路上缺陷热响应的表征能力。在此基础上，进一步建立了自动化检测平台，以实现红外缺陷图像的稳固采集与智能分析。

尽管双模式电磁磁化激励红外热成像实现了对飞机液压管路表面缺陷的非接触热可视化，但在实际检测条件下，所获取的红外图像仍存在对比度弱、缺陷边界模糊、背景热干扰、污渍状伪缺陷响应以及类别间可区分性有限等问题。这些特征使得仅依靠传统图像增强和人工特征方法难以实现可靠的缺陷定位与分类。因此，基于深度学习的智能缺陷检测成为自动化检测更为合适的解决方案。现有的基于深度学习的检测器可大致分为两阶段和单阶段两种范式。前者通常强调定位精度，后者则在计算效率方面更具优势。然而，直接将通用目标检测器应用于DEMIT红外图像是不够的，因为大多数现有检测器是为自然图像或相对规则的工业目标而开发的，并未明确考虑弱热响应、弥散边界、背景引起的误报、微小缺陷尺度以及长尾缺陷分布等问题。近年来，基于Transformer的检测框架通过将目标检测重新定义为集合预测问题并实现端到端优化，提供了新的视角。其中，检测Transformer采用Transformer编码器-解码器架构并结合二部图匹配损失来建模长程依赖关系，消除了对手工锚框设计和非极大值抑制的需求。这种检测范式对于红外缺陷检测尤其具有吸引力，因为它更能捕获全局上下文信息并处理不规则目标分布。然而，原始DETR仍存在收敛缓慢和对小目标敏感度不足的问题，这限制了其在红外缺陷图像中的适用性，因为在红外缺陷图像中，缺陷通常表现为在强背景干扰下出现的微弱、微小且不规则的热图案。可变形DETR通过引入可变形注意力和多尺度特征交互解决了这些问题，使检测器能够聚焦于一组信息丰富的稀疏采样位置，从而提高了特征聚合效率和小目标感知能力。Chen等人的进一步研究证实了基于Transformer的框架在增强微小缺陷感知和背景干扰下前景特征提取方面的有效性。然而，对于飞机液压管路表面缺陷的智能检测，背景干扰、污渍与真实缺陷之间的相似性、多尺度不规则缺陷形态以及工业缺陷数据的长尾分布仍然是关键挑战。这些局限性表明，需要针对特定任务进行检测器设计，而非简单地应用现有的通用检测算法。

鉴于上述挑战，本研究并未简单地将现有红外热成像方法或通用AI检测器应用于飞机液压管路检测。相反，通过综合考虑激励机制、自动化数据采集和针对特定任务的视觉检测模型，开发了一种新的集成智能检测框架。本研究的创新体现在三个紧密耦合的方面。首先，从检测机制角度，提出了双模式电磁磁化激励红外热成像，通过环向和纵向磁化的耦合作用产生对缺陷敏感的热响应。该机制不同于传统的光学激励热成像、涡流热成像和磁粉检测，因为缺陷是通过磁化引起的热响应扰动来可视化，而非依靠表面施加的磁粉或依赖线圈的局部感应加热。其次，从工程实现角度，构建了自主研发的自动化检测系统，将磁化激励、自动退磁、红外图像采集、机械臂试样装卸和数据存储整合为统一的流程，从而实现飞机液压管路稳定可重复的数据集构建。第三，从智能检测角度，提出了一种名为校准引导超分辨率增强Transformer检测器的新型检测器，专门针对DEMIT红外缺陷图像。CGSR-TD并非直接应用现有的目标检测器，而是针对该检测任务，通过设计专用模块来解决弱热对比度、模糊的缺陷边界、背景引起的误报、小尺寸凹坑缺陷的漏检以及复杂缺陷形态间类别混淆等问题。

本研究的主要贡献总结如下：

（1）提出了一种新的基于DEMIT的检测机制，用于飞机液压管路表面缺陷可视化。通过耦合环向和纵向电磁磁化，所提出的方法增强了长曲面铁磁性管状部件上缺陷热响应的表征能力，并提高了对具有不同形态和方位缺陷的适应性。

（2）构建了自主研发的自动化DEMIT检测系统，用于稳定可重复地采集红外缺陷图像。该系统集成了可控磁化激励、自动退磁、红外热成像、机械臂试样装卸、工业控制与数据存储，从而建立了自动化工作流，用于构建飞机液压管路专用表面缺陷数据集。

（3）针对DEMIT红外缺陷识别，提出了一种新的智能检测框架CGSR-TD。该框架并非直接应用现有的通用检测器，而是根据DEMIT红外图像的特点进行专门设计，包括低缺陷对比度、模糊的热边界、背景热干扰、小尺度凹坑型缺陷以及复杂缺陷类别间的类间相似性。

（4）在CGSR-TD中提出了三个针对特定任务的算法模块。多尺度超分辨率引导特征增强器旨在增强微弱小缺陷的细粒度表征。监督匹配稳定校准模块旨在提高匹配稳定性、类别区分能力以及在类别不平衡数据分布下的鲁棒性。基于Transformer的上下文建模策略被纳入以增强全局特征交互并抑制背景引起的误检。这些模块共同提升了在复杂红外背景下弱缺陷的可分离性、定位稳定性和分类可靠性。

（5）通过大量对比实验、消融研究、混淆矩阵分析和收敛分析验证了所提出框架的有效性。在相同评估协议下与主流检测方法相比，所提出的CGSR-TD将mAP提升了2.5个百分点，对于微弱的小尺寸凹坑型缺陷改进尤为显著。

本文其余部分组织如下：第2节介绍DEMIT理论和所提出的检测框架。第3节介绍自动化检测平台及飞机液压管路表面缺陷数据集的采集。第4节通过对比实验和消融研究验证CGSR-TD的有效性。

第5节总结了本文的主要发现、局限性及未来研究方向。

各节摘要

DEMIT的物理原理

作为一种双模态电磁磁化激励红外热成像（DEMIT）技术，用于在线检测飞机液压管路表面缺陷，所提出的方法通过高电流磁化在短时间内向铁磁试样施加可控磁场，同时红外相机持续记录表面温度场的时空演化，从而实现缺陷可视化与定量识别。

数据采集

为实现液压管路表面缺陷图像的自动采集，本研究采用自主研发的自动化电磁磁化激励红外热成像系统构建了专用表面缺陷数据集，如图7和图8所示。图8(a)展示了一个自动检测周期的操作时序，图8(b)展示了自动检测系统相应的通信与控制架构。该系统的

模型性能比较与分析

如表3所示，为系统评估所提出的液压管路红外表面缺陷检测模型，比较了四组代表性检测器，包括YOLO系列、基于Transformer的方法、两阶段方法和单阶段方法。评估指标包括mAP、mAP50和mAP75，以及针对划痕、凹坑和网格的逐类AP。同时报告了FLOPs、Params和FPS以反映计算复杂度、模型大小和推理速度。

结论

本研究开发了飞机液压管路表面缺陷智能检测的一体化框架，包括双模态电磁磁化激励红外热成像、自主研发的自动检测系统以及专用智能检测器CGSR-TD。基于实验结果，可以得出以下结论：

(1) DEMIT能够为飞机表面缺陷检测产生稳定且可重复的缺陷热响应表征

CRediT作者贡献声明

李佳霖：撰写——审阅与编辑，撰写——初稿，方法论，概念化。徐竹：监督，方法论，调查，形式分析。孟嘉建：方法论。赵恩培：撰写——初稿，形式分析。孙瑞：调查，形式分析。刘鹏：撰写——审阅与编辑，撰写——初稿，调查，形式分析，概念化。张建海：撰写——审阅与编辑，撰写——初稿，概念化。赵德金：

利益冲突声明

作者声明他们没有已知的与本文所报告工作相关的竞争性财务利益或个人关系。

致谢

本研究得到国家自然科学基金（批准号：52475559）支持，以及吉林大学研究生创新基金（编号：2026CX135）支持。

李佳霖 | 徐竹 | 孟嘉建 | 赵恩培 | 孙瑞 | 刘鹏 | 张建海 | 赵德金 | 方昊淼