目前，航空发动机叶片表面损伤的无损检测技术有多种，常用涡流检测、渗透检测和孔探检测等，这些技术可以对叶片的损伤位置、形状和大小进行诊断。然而，这些方法主要依赖于人工目视检查，存在着操作者主观性强、工作强度大以及风险因素等问题，从而影响了叶片检测的速度和精确度。随着机器视觉的迅速发展，深度神经网络在发动机叶片表面损伤检测领域越来越受到关注，这将提高自动化程度和检测精度。 叶片损伤形式 航空发动机的涡轮叶片和压气机叶片在运转或停放期间，主要会遭受外来物和腐蚀介质的影响，从而引发出多种形式的损伤。下面重点总结基于深度学习的图像处理技术，选择了目视检查中可见的发动机叶片损伤作为研究对象。其主要形式包括腐蚀和机械损伤两大类。叶片损伤不仅会改变表面尺寸与形态，还可能降低材料强度并导致发动机叶片疲劳断裂。 1腐蚀腐蚀是基材在化学反应作用下的产物。中国沿海地区的机场所处环境气温高、湿度大且空气中含有大量盐分。在运行时燃油中还含有杂质硫等元素。这些环境因素都会促进腐蚀的发生。 01点蚀 点蚀主要源于钝化膜（厚度通常为1～3nm）的局部破坏。在压气机前级，叶片表面很容易达到露点温度并析出水分。大气中的钠盐（NaCl）开始溶于压气机叶片表面的液膜中，导致大量Cl-离子释放。由于氯离子具有极强侵蚀性，使金属基体被活化并引发点蚀。 此外，在重工业城市，大气中还存在NO2、SO2、Cl2等具有腐蚀性的介质，与叶片表面的水蒸气和氧气反应生成更具腐蚀性的酸性和活性的离子，进一步加剧金属电化学腐蚀。 通常情况下，采用铝合金和不锈钢制成的压气机叶片材料上会发生点蚀现象。点蚀在叶片表面上会形成小而不规则的凹陷和孔洞，并且底部较暗。其中，某些点蚀坑深度可达0.1~0.2 mm。 由于产生的腐蚀产物会导致涂层与基材之间粘附力减弱或产生空隙，从而出现涂层鼓包或掉块。因为这种损伤容易引起裂纹并导致断裂故障，所以它是造成叶片结构失效最常见也是最灾难性原因之一。 02氧化 氧化是金属与大气中的氧气在高温环境下的直接反应，生成的氧化物易受应力或者涂层丢失的破坏，从而持续进行氧化过程并削弱叶片横截面。 通常情况下，在高压涡轮叶片上可观察到氧化腐蚀现象。初期特征为变色，导致大部分区域呈现深褐色或灰黑色。随着氧化腐蚀程度的加深，叶片表面会出现起皱、裂纹和材料丢失等其他形态损伤。在严重氧化的区域中，尤其是叶片边缘和叶尖处容易发生折断，并造成极为严重的后果。 03硫化 硫化是指在高温环境下，金属材料与空气中的硫元素反应生成硫化物，从而导致叶片的材料性能下降。硫化会引起表面凸起、变形和表面变色等。在发动机维修过程中，这些问题可以通过孔探检测来发现。 目前的研究表明，硫化腐蚀多见于高压涡轮转子叶片上，并且是涡轮叶片失效中最危险的类型之一。由于初期阶段难以被察觉并且扩展速度非常快，容易导致叶片内壁变薄、机械强度显著下降，极易引发断裂。 2机械损伤 1缺口 通常由硬性物体撞击叶片边缘造成的小而锋利的空洞，具有典型的V形底部。普遍出现在风扇叶片和压气机转子叶片的进气边，并通过宽度和深度进行描述。在缺口处应力集中，容易引发裂纹扩展，从而缩短叶片寿命。 2撕裂 尖锐物体冲击导致材料分离，在边缘形成不规则裂缝。这些裂缝通常很小，但严重冲击会使其扩大。风扇叶片和压气机转子叶片的进气边经常发生撕裂，可用裂缝长度来描述。撕裂损伤被认为是最危险的损伤之一，具有极高危害性。 3划痕 由尖锐异物或砂粒冲击、操作不慎或组装不当引起涂层或基体表面上的深浅不同的刻痕。这种现象通常出现在风扇叶片和压气机叶片的进气边或表面上，长度和深度可用于描述其划痕程度。划痕底部呈细长形且比较尖锐，通常只去除少量材料。 4弯曲变形 鸟类碰撞通常被认为是导致大面积弯曲变形的主要原因。然而也可能是由硬物冲击损伤引起的小范围弯曲变形。一般发生在压气机转子叶片的进气边、排气边以及叶尖处，并通过长度、宽度和变形弧度进行描述。叶片变形可能引起转子失去平衡。 5凹坑 经过异物冲击形成的底部小而光滑的凹陷。材料被移位但未被去除。通常出现在风扇叶片和压气机转子叶片的进气边和表面上，并通过宽度和深度进行描述。 无损检测技术 1超声检测 航空发动机叶片的损伤尺寸通常较小，因此超声检测一般采用超声波脉冲反射法。该方法采用超声换能器发射声波进入到材料内部，当遇到损伤界面和材料底部时会分别反射声波，探头接收并形成脉冲波形。根据波形变化及材料声学特性分析出损伤位置和大小。超声损伤检测的基本原理如图1所示。 图1 超声损伤检测的基本原理 在航空发动机叶片服役过程中，现有的超声波脉冲反射技术主要用于检测疲劳裂纹，属于线性超声检测。然而，线性超声检测对早期和中期叶片的损伤变化不敏感。 为了解决这一问题，Wang等提出了非线性超声检测压气机叶片早期疲劳微裂纹的方法。该方法采用接收信号的高次谐波来表征损伤，并通过振动疲劳试验得到不同程度损伤的叶片试件。随后，进行非线性超声检测并观察其微观结构以统计分析材料内部微裂纹尺寸，从而得到非线性系数β和等效裂纹尺寸经验公式。结果表明，非线性超声检测可用于疲劳早期微裂纹的检测，但是需要注意控制探头，避免产生高功率激励可能会进一步降低叶片结构完整性。 图2 涡流检测探头和试样配置 涡流检测在手动扫查涡轮叶片这种型面复杂的工件时，容易受到边缘效应的影响，从而产生干扰信号。 为了解决边缘效应的影响，谢建红等研制了一种7字型探头替代传统的限位工装方法，并在线圈两侧嵌入了高强度陶瓷体以延长其使用寿命。经验证，该探头具有操作简单、重复性好和灵敏度高等优点。 除此之外，为进一步提升涡流检测的精度和灵敏度，在柔性涡流阵列传感器方面也进行了相关研究。Xie等设计出由64个检测探头组成的新型柔性涡流阵列传感器，并采用灵活印刷电路板技术将激励线圈和检测线圈蚀刻在聚酰亚胺薄膜上以达到更高空间分辨率（0.8 mm）。试验结果表明该传感器对微裂纹非常敏感且精确度可达0.2 mm以内。 Wang等采用X射线数字成像系统（DR）代替传统的胶片成相来获得被测物体的数字X射线投影图像。针对叶片形状复杂、厚度不均匀、平板探测器尺寸有限等问题，提出了一种基于区域分割的方法，增强了图像对比度，并提高了燃气涡轮叶片损伤定位性能。DR测试系统的基本结构如图3所示。 图3 DR测试系统的基本结构 除了X射线，被誉为“改变未来世界技术”之一的太赫兹射线技术因其高穿透性和低能性等特点与X射线相比更为安全，是一种很有前途的无损测量技术。在最新研究中，Liu等提出了一种采用反射式太赫兹时域光谱（THz-TDS）对涡轮叶片热障涂层（TBC）进行无损测量的方法。试验结果验证了THz-TDS无损测量对涡轮叶片热障涂层厚度的有效性。 4磁粉检测 磁粉检测采用磁粉作为显示介质，对待检测的铁磁材料进行预先磁化，在损伤处产生漏磁场后，通过吸附磁粉并在适当光源下观察，可以显示出表面和近表面不连续性的位置、大小和形态等信息，从而实现无损检测。磁性粒子测试如图4所示。 图4 磁性粒子测试 虽然叶片磁粉检测的质量得到了一定提高，但是人工检测仍然费时费力。Liu等设计了一种采用永磁吸附爬壁机器人进行检测的涡轮叶片裂纹自动化磁粉探伤系统，来解决传统手工操作效率低且耗时长的问题。 在渗透检测中，一般采用荧光法来检测叶片上的裂纹。在紫外灯照射下，裂纹会呈现黄绿色荧光。荧光检测工艺流程包括3个关键步骤：渗透、去除和显像。针对不同状态的叶片，选择合适的检测工艺至关重要。 为了测试装配状态下涡轮叶片的情况，在空间有限的前提下，马建徽等选择采用溶剂去除型渗透检测和溶剂悬浮显像剂，并采取后处理措施以避免污染。通过测试结果可以得出，在装配状态下最小长度约为1.0 mm的裂纹损伤是可被发现的。 此外，由于整流器故障率较低，一般很少分析。曾凤英根据试车阶段压气机整流器叶片根部裂纹的测试情况，改进了渗透时间、施加方式以及对薄壁件采用后乳化型渗透检测方法等技术来确保疲劳裂纹能够被发现。 基于传统的损伤检测理论，尽管在航空发动机叶片检测方面表现出良好性能，具有高灵敏度和多样化数据获取形式，但是难以满足多种损伤的检测需求。此外，在叶片上存在许多仅有几百微米大小的微小损伤区域，依赖经验丰富的人工检查员进行密集工作时容易忽略这些细微缺陷。因此迫切需要一种可替代手动方法的机器视觉检测技术来提高精度和效率。 机器视觉检测技术 机器视觉是指采用计算机和摄像机代替人眼对目标进行识别、测量和跟踪，并通过进一步的图像预处理使前景目标更适合于人眼观察或仪器检测。在缺陷检测、零部件定位领域广泛采用机器视觉技术。在航空发动机叶片检修过程中，采用机器视觉技术提取深层特征，能够显著提高叶片检测的自动化水平和准确性。 在图像降噪方面，常采用频域处理方法。而频域变换中傅里叶变换、离散余弦变换和小波变换等算法是最具代表性的。尤其小波变换方法在时域和频域都有良好的局部特征优势，正成为当前图像降噪领域的研究热点。 在航空叶片服役期间，由于航空发动机内部结构紧凑，通常采用孔探检测技术来检测叶片损伤。然而，孔探检测获得的图像质量往往对比度低、亮度不高，难以识别叶片损伤。 早在2006年，丁鹏等就针对孔探图像提出了采用小波变换获取叶片不同位置的频域特性，并结合多层小波得到多种频率的分量。通过损伤频谱能量进行分析，实现了发动机叶片损伤程度的检测。然而该研究未指明具体损伤类型。 随后，Qin等主要关注航空发动机涡轮叶片边缘损伤检测。在重建过程中采用Sym4小波去噪和软阈值滤除噪声，并再次采用小波变换突出断层和边缘信息以获得更好的图像特征参数。此外，袁英民等比较了4种小波基处理信号效果后，发现Sym4小波分解、滤躁的效果最为理想。 在图像分割领域，阈值分割和边缘检测是传统图像处理技术中最为常见且深入研究的算法之一。对于航空发动机叶片表面损伤检测，由于损伤目标与背景的对比度普遍较低，因此寻找合适的阈值成为实现叶片损伤目标与背景有效分离的前提条件。 刘笃喜采用自适应阈值分割算法解决了叶片裂纹图像中灰度级不明显的问题。通过遍历整幅图像，不断迭代逼近最佳分割阈值，从中提取到更完整的裂纹信息。然而，李小丽等提出了一种基于阈值分割和GrabCut分割的图像预处理方法来处理打伤叶片上的缺口。这两种方法结合使用可以更准确地提取出叶片轮廓线，避免了边缘检测方法带来的误差。在进行阈值分割之前，先使用GrabCut对图像进行分割，再采用最大类间方差法以达到最佳效果。 在航空发动机叶片领域，边缘检测显得尤为重要。因为叶片的边缘损伤是裂纹和其他灾难性故障的根源。常用于此类任务的算法包括Roberts算子、Sobel算子、Prewitt算子、Canny算子等4种类型。其中，由于其较强的抗干扰能力和定位性能，Canny算子成为目前最经典的算法之一。 Jonas等主要针对高压压气机叶片上的凹痕、撕裂和缺口这3种边缘损伤进行检测。采用Canny算子和轮廓追踪算法（Suzuki）对预处理的图像生成感兴趣区域（ROI），输出损伤位置和大小，压气机叶片损伤检测输出输出结果如图9所示。 尤敬业等采用Canny算子实现了航空发动机叶片边缘和裂纹的检测。加入Canny算子后，图像中的裂纹定位更加清晰。然而，在面对发动机叶片复杂的曲面形状和背景时，目前还没有一种适用于所有场景的检测算法。 为此，董瑶等对Canny算子中部分梯度非极大值点进行了2次筛选，并保留候选边缘点。改进后的Canny算子提高了钛合金叶片边缘检测的连续性，并实现了焊接修复过程中叶片边缘高精度检测。 在发动机叶片损伤检测中，传统图像处理技术存在以下难点： (1) 发动机叶片损伤类型多样，图像特征各异，因此无法采用统一的分割算法进行处理。对于不同的损伤区域，需要选择合适的分割算法，这增加了图像分割的工作量。 (2) 大多数图像分割算法都是基于目标区域和背景区域的灰度变化较大、纹理清晰的前提下进行的。然而，在发动机内部结构复杂、损伤区域和背景区域混杂且对比度低时，则会给图像分割带来极大困难。 因此，为了解决传统图像处理在损伤识别方面所遇到的困难，可以尝试将深度学习应用于发动机叶片损伤检测中。 在航空发动机叶片表面损伤检测研究中，目前广泛采用卷积神经网络。但大多数研究关注的是在服役过程中涡轮和压气机两类叶片损伤，而对生产加工中的叶片进行的研究相对较少。在采用卷积神经网络方面，残差网络ResNet因其易于优化的特点，在发动机叶片表面损伤检测领域被频繁地作为骨干网来提取特征。 在服役过程中，Chen等采用ResNet作为特征提取网络来检测烧蚀、裂纹和涂层缺失3种损伤类型，其准确度达到了89.4%，在6FPS的速度下运行。 Wong等同样采用ResNet50CNN作为骨干网来提取特征，该残差网络包含50个卷积层，增加卷积层数可以使网络学习到更复杂的特征并提高图像特征提取的准确性。本研究选择基于区域的卷积神经网络（MaskRCNN）对孔探图像进行损伤分割，并赋予叶片ID以追踪连续帧以完成对高压压气机转子叶片损伤几何形状全面评估。自动评估孔探损坏叶片工作流程如图10所示。这项定量研究对于叶片损伤有重要意义。 在最新研究中，Li等设计了SSEResnet101模型以有效提取图像的细节特征。SSEResnet101模型不仅在ResNet内部嵌入了注意力模块（SE），还在外部集成了跨阶段局部网络（CSPNet）特征映射，形成了低层次和高层次的特征语义信息融合，精度达到了93.6%。 此外，还有一些骨干网借鉴了残差网络，例如Zhang等采用Darknet-53深层网络提取图像特征，进行叶片裂纹、撕裂、缺口等5类损伤的识别。研究发现，航空发动机叶片表面损伤通常较小，仅占据图像的几个或数十个像素。传统特征提取网络可能会导致漏检这些损伤。因此，设计更好的特征提取网络已成为当前研究的趋势之一。为了获得更有效的特征信息，一些学者已经探索出新型特征提取框架。 Li等为了提高网络对叶片不同尺度损伤的敏感性，设计了一种新的骨干网。该网络采用少量采样操作方式以避免过滤小尺度损伤，并使用不同大小的核进行特征图学习和融合，以学习到高代表性的特征。在骨干网之后，还设计了粗分类器和精细检测器。粗分类器用于过滤大部分背景区域，而精细检测则实现对损伤图像的定位和分类。航空发动机叶片表面损伤检测方法如图11所示。本研究选择发动机叶片生产过程中凹坑、应力、划痕等5种类型的缺陷进行模型评估。与经典目标检测方法相比，该方法取得了更好的精度和效率，准确率高达93.5%。 图11 航空发动机叶片表面损伤检测方法 检测技术探讨 1检测技术分析 Shang等提出了一种基于深度学习的内窥镜图像处理技术，应用于航空发动机叶片原位损伤检测。该研究采用3D打印技术制造出不同损伤模式（如损坏、烧伤和裂纹等）的叶片并关注其浅层纹理信息，数码相机拍摄的6个模拟损坏叶片图像如图12所示。通过采用纹理聚焦多尺度特征融合网络（TFNet），构建了增强型掩模RCNN网络，实现了对叶片损伤模式分类、定位和区域分割3项功能。此外，引入平衡L1损失以完善评价指标。大量试验证明该方法在航空发动机叶片原位损伤检测中具有巨大潜力。不同模型对叶片单个损伤图像的可视化结果如图13所示。 图13 不同模型对叶片单个损伤图像的可视化结果 结语 (1) 数据收集是未来航空发动机表面损伤检测的发展方向之一，为了研究航空发动机叶片表面损伤智能识别系统，需要大量的数据。然而，目前几乎没有公开的数据集，因此数据收集变得相当困难。此外，由于叶片损伤类型繁多且同类损伤特征不尽相同，应该从多个角度（如光照方式和传感器等）尽可能地收集更多的数据。 (2) 损伤检测将采用多方法融合方式，包括数据和检测技术的结合。为了提高损伤检测的准确性，通常会在多个位置安装传感器以获取所需信息。然而，由于多个传感器收集到的数据是不确定且可能存在冲突，因此可以考虑采用数据融合手段（如声、电、磁信号等与光学图像相结合）来获取更有效的数据。此外，无损检测技术虽然精度较高但依赖人工操作效率低，因此可借助机器视觉实现智能化检测。 (3) 损伤检测需要完善评估标准，目前尚未系统地描述叶片损伤的类型、位置、根本原因及其相互关系。甚至在不同领域中，对于叶片损伤类型的定义也存在分歧。由于缺乏明确的评估标准，人工检测只能依赖经验丰富的工作人员进行判断。应该持续改进叶片损伤评估标准，并建立强大数据库，为后续智能识别叶片表面损伤系统研究奠定基础。 (4) 由于航空发动机叶片具有结构复杂、损伤面积小且损伤特征多样化等特点，因此深度学习技术成为当前研究领域内备受关注的方向之一。虽然深度学习已经在多个领域得到了广泛应用，但在发动机叶片表面损伤检测领域仍处于起步阶段。未来需要进一步积累数据并把握社会趋势，开展更加精确的自动化系统设计与优化工作。
作者：程亚茹，李湉，薛辉，黎红英，王丹，唐鋆磊
工作单位：西南石油大学化学化工学院，碳中和研究院；中国航发航空科技股份有限公司；常熟理工学院电气与自动化工程学院
