摘要
航空发动机叶片是发动机核心组成部分，其质量安全是保障航空发动机正常运转的重要前提。由于叶片形貌复杂、铸造缺陷率高，一般会出现裂纹、夹杂、气孔等微小缺陷，这将会危及发动机且对整个飞机构成致命的威胁，须采用100%的数字射线DR检测。同时，人工评判识别缺陷工作效率较低，识别精度存在误差。因此迫切需要建立一种高精准度、智能化的检测机制对航空发动机叶片质量进行严格把控，该研究具有重大质量安全意义。本文主要内容如下： 对含有缺陷的航空发动机叶片进行微焦点DR成像实验，通过调节工艺参数，获取了符合数字射线检测标准的DR叶片缺陷图像。同时，对航空发动机涡轮叶片DR成像检测进行了研究，利用CIVA仿真平台模拟与微焦点DR成像检测相同的实验环境及工艺参数，将宽度为0.05~0.1mm左右的裂纹，直径为0.05~0.1mm左右的气孔与夹杂微小缺陷随机嵌入到三维航空发动机涡轮叶片模型中，利用微焦点DR仿真成像系统采集符合相应标准的涡轮叶片DR缺陷图像。对比分析两种方式获取的涡轮叶片DR缺陷图像，可得CIVA仿真成像的涡轮叶片DR缺陷图像等效于真实微焦点DR采集的叶片缺陷图像，进而可以建立足够的航空发动机叶片DR缺陷图像数据集。 针对部分航空发动机叶片DR缺陷图像存在对比度较低、细节信息不明显、缺陷区域识别困难等问题，基于限制对比度自适应直方图均衡化CLAHE理论提出了一种enhance-CLAHE算法。相比于常见的几种DR图像增强算法，结果验证了enhance-CLAHE算法增强效果最佳，能够将表征空间分辨率SR的D13号双丝线对应的调制深度值从49.17%提升到了56.08%；整体灰度平均值从32400.658提高到了38684.426；02号微小裂纹缺陷区域的信噪比从14.101dB增强到了15.163dB。结果显示enhance-CLAHE增强算法能有效增强平坦区域的对比度，突显边缘细节特征，提升微小缺陷区域的视觉效果。 为了提高复杂背景下占比约在0.04%~3.00%的待检测小目标（等效直径约为0.05~0.1mm的（椭）球形气孔和夹渣；宽度约为0.05~0.1mm的裂纹）的识别精准度，对比分析了目前主流的两类目标识别算法FasterRCNN与YOLOv5s，可得最新的YOLOv5s轻型目标检测识别与实时定位算法适用性更强。在该算法的基础上提出了一种CBAM-YOLOv5s算法，通过在Backbone骨干网络中嵌入CBAM注意力机制模块，使得Backbone骨干网络能够提取更加有用且充足的特征。在此基础上将航空发动机叶片DR缺陷图像数据集利用enhance-CLAHE增强算法处理，再结合CBAM-YOLOv5s目标识别算法，最终构建了enhance-CLAHE＆CBAM-YOLOv5s网络模型算法系统。通过与基于深度学习的VGG16、YOLOv5s、CBAM-YOLOv5s三种目标检测识别算法模型进行对比分析，可得该算法系统的识别准确率、召回率、mAP_0.5、mAP_0.5∶0.95值都是最高的，分别为98.1%、98.4%、98.4%、58.7%，表明该算法模型系统能够更高效、更精准的检测识别航空发动机叶片DR图像中的缺陷。
NETL