BD‑YOLO：一个基于深度学习的航空发动机孔探图像叶片损伤检测模型

徐超; 王文哲; 蒋增华; 冷晟; 王静秋

doi:10.16356/j.2097-6771.2026.02.013

Chinese

您当前的位置：

首页 >

文章列表页 >

BD‑YOLO：一个基于深度学习的航空发动机孔探图像叶片损伤检测模型

更新时间：2026-04-30

- BD‑YOLO：一个基于深度学习的航空发动机孔探图像叶片损伤检测模型
- BD‑YOLO: A Deep Learning‑Based Model for Blade Damage Detection in Aero‑engine Borescope Images
- 南京航空航天大学学报 2026年58卷第2期页码：372-379
- 作者机构：
  
  1.南京航空航天大学机电学院,南京210016
  2.中国航发湖南动力机械研究所, 株洲412002
- 作者简介：
  
  王静秋，女，教授，博士生导师， E-mail：meejqwang@nuaa.edu.cn。
- 基金信息：
  
  直升机动力学全国重点实验室2024年度科技创新基金(KY-1003-2024-0027)
- DOI：10.16356/j.2097-6771.2026.02.013
  中图分类号： V263.6;TP391.4
- 收稿：2025-08-19，
  
  修回：2025-12-19，
  
  纸质出版：2026-04-28
- 稿件说明：
移动端阅览
徐超，王文哲，蒋增华，等. BD‑YOLO：一个基于深度学习的航空发动机孔探图像叶片损伤检测模型［J］. 南京航空航天大学学报（自然科学版），2026，58（2）：372⁃379.

XU Chao， WANG Wenzhe， JIANG Zenghua， et al. BD‑YOLO： A deep learning‑based model for blade damage detection in aero‑engine borescope images［J］. Journal of Nanjing University of Aeronautics & Astronautics（Natural Science Edition），2026， 58（2）：372⁃379.
徐超，王文哲，蒋增华，等. BD‑YOLO：一个基于深度学习的航空发动机孔探图像叶片损伤检测模型［J］. 南京航空航天大学学报（自然科学版），2026，58（2）：372⁃379. DOI： 10.16356/j.2097-6771.2026.02.013.

XU Chao， WANG Wenzhe， JIANG Zenghua， et al. BD‑YOLO： A deep learning‑based model for blade damage detection in aero‑engine borescope images［J］. Journal of Nanjing University of Aeronautics & Astronautics（Natural Science Edition），2026， 58（2）：372⁃379. DOI： 10.16356/j.2097-6771.2026.02.013.

摘要

针对航空发动机孔探图像叶片损伤方向任意且细长损伤易引入过多背景干扰、导致定位精度下降的问题，本文提出一种基于改进You only look once version 8（YOLOv8）的旋转目标检测模型BD‑YOLO。首先，设计融合跨阶段连接（Cross stage partial，CSP）与密集连接扩张卷积模块（Receptive field enhancement module，RFEM）的小目标检测跨阶段局部感受野增强模块（Cross stage partial receptive field enhancement module，CSRFEM），增强对细小损伤的特征提取能力。其次，在颈部网络引入改进的双向特征金字塔网络SimBiFPN，实现多尺度特征的高效融合。最后，在头部网络增设专用小目标检测头，提升小尺寸损伤的识别精度。实验结果表明，BD‑YOLO的平均精度均值（Mean average precision，mAP）50、mAP75和mAP50~95分别达到98.6%、84.3%和63.3%，检测速度为34帧/s，能够实现叶片损伤的高精度实时检测。

Abstract

To address the issues in aero-engine borescope images， such as the arbitrary orientation of blade damage and the tendency for slender damage to introduce excessive background interference， leading to reduced localization accuracy， this paper proposes a rotated object detection model， BD-YOLO， based on an improved You Only Look Once version 8 （YOLOv8）. Firstly， a small object detection module named cross stage partial receptive field enhancement module （CSRFEM）， which integrates the cross stage partial （CSP） and receptive field enhancement module （RFEM）， is designed to enhance feature extraction capabilities for minor damages. Secondly， an improved bidirectional feature pyramid network， SimBiFPN， is introduced into the neck network to achieve efficient multi-scale feature fusion. Finally， a dedicated small object detection head is added to the head network to improve the recognition accuracy of small-sized damages. Experimental results demonstrate that BD-YOLO achieves mean average precision （mAP）50， mAP75， and mAP50-95 values of 98.6%， 84.3%， and 63.3%， respectively， with a detection speed of 34 frames per second， enabling high-precision real-time detection of blade damage.

关键词

Keywords

references

余佳琛 . 民航发动机电子内窥镜孔探检查的管理［J］. 电子世界， 2017 （ 24 ）： 190 - 191 .

王晓兵 . 基于孔探检测的民航发动机维修间隔优化研究［D］. 天津：中国民航大学， 2018 .

WANG Xiaobing . Research on civil aviation engine maintenance interval optimization based on borescope inspection ［D］. Tianjin ： Civil Aviation University of China ， 2018 .

杨晓军，王瑛琦，刘智刚 . 航空发动机涡轮叶片损伤分析［J］. 机械工程与自动化， 2017 （ 3 ）： 203 - 205 .

YANG Xiaojun ， WANG Yingqi ， LIU Zhigang . Analysis of damaged blades of aero-engine turbine ［J］. Mechanical Engineering & Automation ， 2017 （ 3 ）： 203 - 205 .

卢宏涛，罗沐昆 . 基于深度学习的计算机视觉研究新进展［J］. 数据采集与处理， 2022 ， 37 （ 2 ）： 247 - 278 .

LU Hongtao ， LUO Mukun . Survey on new progresses of deep learning based computer vision ［J］. Journal of Data Acquisition and Processing ， 2022 ， 37 （ 2 ）： 247 - 278 .

孙涵，刘译善，林昱涵 . 基于深度学习的显著性目标检测综述［J］. 数据采集与处理， 2023 ， 38 （ 1 ）： 21 - 50 .

SUN Han ， LIU Yishan ， LIN Yuhan . Deep learning based salient object detection： A survey ［J］. Journal of Data Acquisition and Processing ， 2023 ， 38 （ 1 ）： 21 - 50 .

旷可嘉 . 深度学习及其在航空发动机缺陷检测中的应用研究［D］. 广州：华南理工大学， 2017 .

KUANG Kejia . Research on deep learning and its application on the defects detection for aeroengine ［D］. Guangzhou ： South China University of Technology ， 2017 .

曹斯言，刘君强，宋高腾，等 . 基于自注意力语义分割的航空发动机孔探图像检测［J］. 北京航空航天大学学报， 2023 ， 49 （ 6 ）： 1504 - 1515 .

CAO Siyan ， LIU Junqiang ， SONG Gaoteng ， et al . Borehole image detection of aero-engine based on self-attention semantic segmentation model ［J］. Journal of Beijing University of Aeronautics and Astronautics ， 2023 ， 49 （ 6 ）： 1504 - 1515 .

何宇豪，曹学国，刘信良，等 . 基于SW-YOLO模型的航空发动机叶片损伤实时检测［J］. 推进技术， 2024 ， 45 （ 2 ）： 197 - 203 .

HE Yuhao ， CAO Xueguo ， LIU Xinliang ， et al . Real-time detection of aircraft engine blade damage based on SW-YOLO model ［J］. Journal of Propulsion Technology ， 2024 ， 45 （ 2 ）： 197 - 203 .

黄睿，成旭毅，汪若飞，等 . 自适应参数分析结果的航空发动机孔探图像损伤检测［J］. 中国图象图形学报， 2023 ， 28 （ 10 ）： 3136 - 3148 .

HUANG Rui ， CHENG Xuyi ， WANG Ruofei ， et al . Adaptive parameters based borescope image-related damage detection of aeroengine ［J］. Journal of Image and Graphics ， 2023 ， 28 （ 10 ）： 3136 - 3148 .

SHANG H ， WU J ， SUN C ， et al . Global prior transformer network in intelligent borescope inspection for surface damage detection of aeroengine blade ［J］. IEEE Transactions on Industrial Informatics ， 2023 ， 19 （ 8 ）： 8865 - 8877 .

LLERENA J M ， ZENI L F ， KRISTEN L N ， et al . Gaussian bounding boxes and probabilistic intersection-over-union for object detection ［J］. IEEE Transactions on Image Processing ， 2024 ， 33 ： 671 - 681 .

WANG C Y ， LIAO H Y M ， YEH I H ， et al . CSPNet： A new backbone that can enhance learning capability of CNN ［EB/OL］. （ 2019-11-27 ）. https：//arxiv.org/abs/1911.11929 https://arxiv.org/abs/1911.11929 .

HAN Y ， LIAO J ， LU T ， et al . KCPNet： Knowledge-driven context perception networks for ship detection in infrared imagery ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2023 ， 61 ： 1 - 19 .

YANG L ， ZHANG R Y ， LI L ， et al . SimAM： A simple， parameter-free attention module for convolutional neural networks ［C］// Proceedings of the 38th International Conference on Machine Learning . ［S.l.］： PMLR ， 2021 ： 11863 - 11874 .

TAN M ， PANG R ， LE Q V . EfficientDet： Scalable and efficient object detection ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition . ［S.l.］： IEEE ， 2020 ： 10781 - 10790 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于压气机级间引气和涡轮冷气修正模型的整机性能仿真方法

航空发动机控制系统及关键技术现状与展望

航空发动机滑油消耗率计算与预测方法

带同轴引气激光制孔中的气动特性分析

顾及动态物体感知的增强型视觉SLAM系统