来源：期刊VIP网 时间：
作者：邹佳明;刘桂雄;黎文富
单位：1.华南理工大学机械与汽车工程学院;2.广东光电杰泰技术有限公司
摘要：航空发动机涡轮叶片(aero-engine turbine blades, ATB)表面缺陷直接关系发动机运行安全、服役寿命。传统人工检测方法存在准确性不稳定、效率低、劳动强度大等问题。该文提出一种结合SH(switchable atrous convolution+high-level screening-feature fusion pyramid networks)与YOLOv8的ATB表面缺陷检测识别方法。在骨干网络中引入SAConv以增强多尺度特征提取能力；在颈部网络中嵌入HS-FPN以提升特征融合与缺陷表征能力。基于自建涡轮叶片内窥图像数据集开展实验，结果显示改进后SH+YOLOv8模型在F1-score、mAP@0.5上分别达到0.93、0.948，其中mAP@0.5相较原始YOLOv8提升0.64%，能满足工程应用精度需求。研究表明该方法在复杂工况下具备良好适应性、鲁棒性，对航空发动机关键部件智能检测具有参考价值。
关键词：航空发动机涡轮叶片;表面缺陷检测;YOLOv8;可切换空洞卷积;特征融合
基金资助：广东省重点领域研发计划项目(2019B010154003)
