基于多尺度边缘增强的航空器表面缺陷检测方法及系统与流程

本技术涉及计算机视觉与工业缺陷检测，具体涉及一种基于多尺度边缘增强的航空器表面缺陷检测方法及系统。

背景技术：

1、航空器在制造、装配、使用及维护过程中，其表面容易出现裂纹、划痕、凹坑、腐蚀等缺陷。上述缺陷不仅影响航空器外观质量，而且可能对航空器结构完整性和运行安全产生不利影响，因此需要对航空器表面缺陷进行高精度、自动化检测。

2、现有的航空器表面缺陷检测方法主要包括人工目视检测和基于传统图像处理的自动检测方法。人工目视检测存在效率低、主观性强、漏检率高等问题；传统图像处理方法虽然能够在一定程度上提高检测效率，但在复杂背景、强反光、光照不均匀以及微小缺陷目标检测场景下，检测准确率仍然有限。

3、随着深度学习技术的发展，基于卷积神经网络尤其是基于yolo系列网络的目标检测方法已广泛应用于工业表面缺陷检测领域。该类方法能够同时完成缺陷类别识别和位置定位，具有较好的实时性和检测性能。然而，在航空器表面缺陷检测场景中，由于航空器蒙皮或金属外表面具有较强反射性，容易受到环境光照变化、局部高亮反光以及背景纹理干扰的影响，导致微小缺陷边缘特征不明显，进而影响检测模型对裂纹、划痕等细微缺陷的识别能力。

4、此外，现有检测网络在特征提取过程中，往往更关注高层语义信息，而对细粒度边缘信息和复杂光照条件下的稳定特征表达关注不足，从而难以兼顾缺陷检测的精度与鲁棒性。因此，需提供一种能够突出微小缺陷边缘响应、抑制强反光干扰并适用于航空器表面检测场景的缺陷检测方法。

技术实现思路

1、为了解决上述现有技术的不足，本技术的目的在于提供一种基于光照感知多尺度边缘自适应的航空复合材料缺陷检测方法，以解决现有航空复合材料缺陷检测方法在复杂光照环境下微小缺陷边缘特征提取不足、光照噪声放大、检测精度不高的问题。本技术的方法突破了现有技术中多尺度边缘增强与光照自适应归一化两个模块独立串行设计的范式，首次在底层数学机理层面将二者深度融合为一个统一的光照感知型多尺度边缘自适应模块，实现了边缘提取与光照校正的协同计算。

2、具体地，一方面，本技术提供一种基于多尺度边缘增强的航空器表面缺陷检测方法，其包括以下步骤：

3、s1、图像获取与网络初始化：获取航空器表面待检测图像作为输入特征图，输入到改进型yolo检测网络；改进型yolo检测网络包含骨干网络、光照感知型多尺度边缘自适应模块、多层特征融合网络及检测头部；

4、s2、骨干网络的光照感知多尺度边缘自适应增强：在骨干网络的第2层、第3层和第4层特征图后分别嵌入光照感知型多尺度边缘自适应模块，对不同尺度的特征图进行光照感知的边缘增强处理得到增强特征图，具体包括：

5、s21、生成光照感知门控向量：对输入特征图同时计算局部光照强度分布、全局均值和全局标准差；将局部光照强度、全局均值、全局标准差以及空间位置编码在通道维度拼接后，经一个轻量级门控网络处理，生成具有空间自适应的光照感知门控向量，其中为多尺度分支数；

6、s22、生成光照条件多尺度边缘卷积核：采用三个并行的膨胀卷积分支捕获不同感受野下的边缘特征，各分支的卷积核由光照感知门控向量通过可微分的光照条件化参数生成函数动态调控，具体公式为：

7、；

8、其中，k为第k膨胀卷积分支，为光照参数映射函数；为原始卷积核，为输入特征图的横纵位置坐标，为在输入特征图位置上生成的光照条件多尺度边缘卷积核；

9、s23、光照自适应边缘响应联合计算：采用对输入特征图进行边缘响应提取，得到经光照自适应校正的多尺度边缘响应图；

10、s24、光照置信度加权残差融合：将s23获得的经光照自适应校正的多尺度边缘响应图通过卷积细化层处理后与原始输入特征图进行残差连接融合，得到增强特征图：

11、，

12、其中，表示使用的卷积核进行卷积操作，为光照置信度权重；

13、s3、多层多尺度融合：将各层增强特征图输入多层特征融合网络，执行多尺度特征信息的双向传递与深度融合；

14、s4、高分辨率特征融合分支：通过上采样操作构建第2层至第4层下采样倍率的高分辨率特征融合分支，实现浅层细粒度边缘信息与深层语义信息的跨尺度拼接，增强对微小缺陷的特征表示能力，得到融合后的多尺度特征图；

15、s5、目标检测输出：采用检测头部对融合后的多尺度特征图进行目标检测，输出待检测航空复合材料缺陷的类别标签、位置坐标及置信度。

16、优选地，步骤s21中，局部光照强度分布通过以输入特征图f的每个空间位置(i,j)为中心、半径为r的滑动窗口内所有像素值的算术平均计算得到：

17、；

18、其中，为输入特征图在位置处的像素值，为局部窗口半径，和的取值范围均为。

19、优选地，步骤s21中，光照感知门控向量的计算公式为：

20、；

21、其中，为输入特征图的全局平均光照强度，为全局光照强度标准差，为稳定系数防止分母为零，和为能学习参数，为sigmoid函数，具体表达式为：

22、，其中x为输入。

23、优选地，步骤s22中，三个并行的膨胀卷积分支均分别使用3×3卷积核，膨胀率分别为d=1、2和3；

24、步骤s24中，经光照自适应校正的多尺度边缘响应图通过卷积细化后与原始输入特征图在通道维度进行张量加法融合，再经卷积进行跨通道信息整合，得到与骨干网络对应层级通道数一致的增强特征图。

25、优选地，步骤s23中对输入特征图进行边缘响应提取，得到经光照自适应校正的多尺度边缘响应图的具体过程为：

26、；

27、；

28、；

29、；

30、其中，为输入特征图，表示使用卷积核进行卷积操作，为边缘响应，为输入图像的横纵位置坐标，为稳定系数防止分母为零，为光照校正因子，为经光照自适应校正的多尺度边缘响应图。

31、优选地，步骤s3中，多层特征融合网络为双向路径聚合网络，用于对第2层、第3层和第4层增强特征图进行跨尺度融合，同时将光照感知型多尺度边缘自适应模块输出的光照感知边缘增强信息沿特征金字塔进行逐级传递。

32、优选地，步骤s4中，高分辨率特征融合分支针对微小缺陷检测需求，构建p2层4倍下采样、p3层8倍下采样、p4层16倍下采样和p5层32倍下采样的四尺度检测架构，其中p2层4倍下采样用于捕获空间占比极低的微小缺陷。

33、优选地，待检测图像为无人机或自动化检测平台采集的航空复合材料蒙皮表面图像，待检测缺陷为航空复合材料裂纹、褶皱、夹杂和腐蚀中的一种或多种，

34、优选地，训练改进yolo检测模型时，对训练图像施加随机旋转、随机裁剪、色彩抖动和光照扰动中的一种或多种数据增强方式；光照扰动增强包括随机gamma校正、随机亮度调整和模拟非均匀光照的渐变遮罩叠加，以提高模型对复杂光照条件和视角变化的鲁棒性。

35、第二方面，本技术还提供一种基于多尺度边缘增强的航空器表面缺陷检测系统，包括图像采集单元、处理单元和输出单元；其中，图像采集单元用于获取航空器表面待检测图像，处理单元用于执行上述航空器表面缺陷检测方法，输出单元用于输出航空器表面缺陷的类别、位置和置信度。

36、与现有技术相比，本技术的有益效果如下：

37、（1）本发明的基于多尺度边缘增强的航空器表面缺陷检测方法首创光照感知型多尺度边缘自适应深度融合机制，突破传统串行范式。本发明首次将多尺度边缘增强与光照自适应归一化在底层数学机理层面进行深度融合，构建了光照感知型多尺度边缘自适应模块即iamea模块，iamea模块通过光照感知门控向量动态调控多尺度膨胀卷积核的参数生成，使得边缘提取算子本身即具备对光照条件的自适应感知能力；同时，光照校正因子在边缘梯度计算的同一前向传播中同步嵌入，形成光照感知→核参数动态生成→边缘提取→光照自适应校正的闭环协同机制，从根源上解决了传统串行方案中边缘提取阶段因缺乏光照感知而丢失信息、后续光照归一化无法恢复已损失边缘的本质缺陷。

38、（2）本发明的基于多尺度边缘增强的航空器表面缺陷检测方法能够显著提升低光照边缘退化场景下的微小缺陷检测精度。本发明的方法通过光照条件化的动态卷积核生成机制，使边缘提取的感受野强度和方向敏感性能够根据局部光照条件进行自适应调节。在低光照区域自动增强对边缘梯度方向的敏感度以捕获微弱边缘信号，在高反光区域抑制镜面反射引起的虚假边缘，从而在光照极不均匀的航空蒙皮检测场景中，将微裂纹、浅褶皱等极小尺度缺陷的检测平均精提高。同时，光照置信度加权残差融合机制确保了边缘增强信息仅在需要补偿的退化区域注入，避免了均匀增强引入的噪声放大问题。

39、（3）本发明的基于多尺度边缘增强的航空器表面缺陷检测方法能够降低计算冗余，实现高效推理。本发明将多尺度边缘增强与光照归一化融合为统一的iamea模块，消除了传统分离式设计中两个模块间的中间特征缓存和重复卷积操作。光照感知门控网络采用轻量级全连接结构，参数增量仅占原网络的0.3%-0.8%；光照条件化卷积核的生成通过逐通道乘法实现，计算复杂度与标准卷积处于同一数量级。相较于独立的边缘增强模块加光照归一化模块的串行堆叠方案，本发明的深度融合设计在提升检测精度的同时，推理时间仅增加约3%-5%，满足航空缺陷自动化检测的实时性要求。

40、（4）本发明通过iamea模块与高分辨率特征融合分支的协同设计，形成了光照感知边缘质量提升→高分辨率空间细节保持→多尺度语义信息融合的三级递进式特征增强体系。iamea模块确保了浅层特征图中边缘信息的可靠性和光照鲁棒性，为高分辨率特征融合分支提供了高质量的浅层输入；高分辨率特征融合分支则充分发挥了这些高质量边缘特征在微小缺陷空间定位中的优势。两者相互配合、协同增效，共同构成了从底层特征提取到高层语义理解的完整技术闭环。