《计测技术》推荐文章｜北京航空航天大学孙军华团队：基于改进Mask R-CNN的航空发动机保险丝实例分割方法 - 科技区角《计测技术》推荐文章｜北京航空航天大学孙军华团队：基于改进Mask R-CNN的航空发动机保险丝实例分割方法

导读

北京航空航天大学孙军华课题组开展了基于改进Mask R⁃CNN的航空发动机保险丝实例分割方法研究。针对成像背景复杂、目标区域占比小且呈细长弯曲状等特征，在MaskR⁃CNN中引入伽马变换、动态蛇形卷积以及卷积注意力模型，分割精度较基准模型显著提升，为航空发动机保险丝数字化、智能化检测提供了有力支撑。

基于改进Mask R⁃CNN的航空发动机保险丝实例分割方法

作者：张凤飞，孙军华^*

作者单位：北京航空航天大学仪器科学与光电工程学院

摘要：针对成像背景复杂、光照不均、目标区域占比小等因素导致的航空发动机保险丝识别精度低的问题，提出一种改进的基于掩模区域的卷积神经网络（Mask Region⁃based Convolutional Neural Network， Mask R⁃CNN）保险丝实例分割模型。首先分别对保险丝图像的R、G、B三个通道进行不同程度的伽马校正，转化得到伪彩色图像，同时增强对比度；然后，针对保险丝的细长曲线几何特征，将动态蛇形卷积融入Mask R⁃CNN的骨干网络Resnet中，使得网络在特征提取时自适应地聚焦细长弯曲的局部结构；最后在特征融合阶段引入卷积注意力模块（Convolution Block Attention Module，CBAM），保留小目标浅层特征，从而提高网络对小目标的感知能力。实验结果表明，改进后的模型掩码A_AP50达到了82.54%，较基础模型提升了5.83%，为航空发动机保险丝数字化、智能化检测提供了有力支撑。

关键词：航空发动机保险丝；基于掩模区域的卷积神经网络；实例分割；动态蛇形卷积；特征提取；卷积注意力模块；深度学习

文章主要内容

保险丝是航空发动机的机械防松装置，正确装配保险丝能够有效防止紧固件松动，对于保障航空发动机的可靠连接和运行安全至关重要。目前，航空制造业针对保险丝的检测主要采用人工目视方法，存在检测效率低、标准不一致、易出现漏检和误检等情况，无法满足航空发动机的高可靠性需求。利用图像处理技术实现保险丝自动化检测具有重要意义。航空发动机保险丝图像成像场景复杂，采用传统的分割算法难以获得理想的分割结果。与传统方法相比，深度学习模型能够更好地应对图像中的光照、角度和尺度变化等因素，在复杂场景下具有更高的鲁棒性。但基于卷积神经网络的目标分割方法依赖于大数据训练，而航空发动机保险丝检测样本量少，不存在公开可用的数据集。此外，航空发动机保险丝体积小、图像像素占比小，采用卷积和池化等操作捕获图像中的高级语义特征时，图像及特征的分辨率逐渐降低，图像中的小目标信息易丢失，极易造成保险丝漏检、误检。

图1　航空发动机局部保险丝图像

Fig.1 Aero⁃engine local lockwire image

针对上述问题，提出基于改进Mask R⁃CNN的航空发动机保险丝实例分割方法。通过混合随机数据增强对保险丝数据集进行扩充，解决样本数量匮乏问题；分别对保险丝图像的R、G、B通道进行不同程度的伽马校正，增强图像对比度；针对保险丝细长且不规则的特性，引入动态蛇形卷积（Dynamic Snake Convolution，DSConv），通过自适应地关注细长弯曲的局部结构，加强对保险丝的特征提取能力；引入CBAM，在提升小目标特征保留的同时达到选择性地抑制背景的目的。开展AL31F航空发动机保险丝检测实验，对基于改进Mask R⁃CNN的航空发动机保险丝分割方法的应用效果进行验证。

Mask R⁃CNN的主干网络Resnet包含5个阶段，即Stage1 ~ Stage5。为了使DSConv发挥更好的效果，构建动态蛇形卷积块，在Stage4、Stage5引入动态蛇形卷积，提升特征提取网络灵活性的同时更精确地匹配细长弯曲结构，从而准确地捕捉保险丝关键特征，提升模型的泛化能力。DSConv通过引入变形偏移动态地调整卷积核，采用迭代策略依次对目标的下一个位置进行预测，从而保持注意力的连续性，避免产生相对较大的偏移量，使得网络能够自适应地聚焦细长弯曲的局部特征。

图2 DSConv原理示意图

Fig.2 Illustration of the principle of DSConv

图3　改进Resnet

Fig.3 Improved Resnet

Mask R-CNN采用FPN进行特征融合，该结构结合自底向上、自顶向下、横向连接方法，将浅层分辨率高的语义信息和深层分辨率低的语义信息进行融合。保险丝目标小，特征信息从最底层传输到顶层的过程中容易丢失，因此在FPN自顶向下采样过程中加入CBAM注意力机制，使网络更好地聚焦于小目标，增强保险丝区域的特征表达，同时抑制背景特征，提高保险丝分割质量。CBAM是一种轻量级的前馈卷积注意力模块，通过引入通道和空间两种不同的注意力机制，使模型能够自适应地调整特征图的权重，着重关注目标区域的特征信息，同时抑制无效特征，以适应不同的任务和场景。输入特征经过通道注意力模块（Channel Attention Module， CAM）后，与原特征图相乘，得到中间特征图，再经过空间注意力模块（Spartial Attention Module， SAM）并与中间特征相乘，得到输出特征图。

图4 CBAM整体结构示意图

Fig.4 The overview of CBAM

图5 改进FPN

Fig.5 Improved FPN

所采用的改进模块能够有效提升保险丝的分割精度。采用分通道的Gamma变换后，掩码A_{AP50较基线模型提升了}2.23%。在此基础上，引入动态蛇形卷积后，A_{AP50较基准模型提升了}3.31%；将CBAM注意力模块融入FPN，可使A_{AP50较基线模型提升}4.20%。改进的模型掩码A_{AP50较基线模型提升了}5.83%。

表1 消融实验结果

Tab.1 Results of ablation experiments

改进的Mask R⁃CNN模型能够更准确地识别复杂环境下的保险丝，在保持保险丝结构与边缘的完整性与连续性方面表现出了更卓越的性能，有效提升了分割精度。在示例1中，原模型的检测结果存在局部不完整、边缘缺失现象，改进Mask R⁃CNN模型能够准确地分割出完整的保险丝区域且边缘保持完好。在示例2中，原始模型错误地将航空发动机电缆区域识别为保险丝，而改进的Mask R⁃CNN模型能够正确识别区分。

图6 测试结果局部放大图像

Fig.6 Partially enlarged image of test results

结论

将动态蛇形卷积和CBAM融入Mask R⁃CNN的特征提取网络中，使得网络自适应地聚焦保险丝细长弯曲的结构，并增强对小目标的关注。改进的Mask R⁃CNN模型在航空发动机保险丝实例分割任务中表现出了较好的稳健型，平均精度相较基础模型提升了5.83%，有效地减少了保险丝漏检、误检现象，有利于航空制造业向智能化、自动化发展，对于航空发动机的安全可靠运行具有重要意义。

作者简介

张凤飞（2000－），女，硕士研究生，主要研究方向为图像处理、视觉检测。

孙军华（1975－），男，教授，主要研究方向为双目视觉、结构光视觉、图像处理、三维点云分析。

科研团队介绍

团队负责人：孙军华（教授）

研究方向：机器人路径规划与SLAM导航；双目视觉、结构光视觉；视觉图像信息处理；三维蒂安允分析；视觉检测。

科研成果：主持多项国家级和部委科研项目，包括国家自然科学基金、国家重点研发课题等。发展了视觉测量模型与现场校准体系，提出了系列图像信息处理新方法。研制成功超大尺寸轮廓测量仪、跟踪式三维扫描仪、航空发动机整机装配缺陷检测系统等。发表SCI收录论文40余篇，授权发明专利50余项。

全文链接

基于改进Mask R⁃CNN的航空发动机保险丝实例分割方法（点击查看）

引用格式：张凤飞，孙军华. 基于改进Mask R⁃CNN的航空发动机保险丝实例分割方法［J］. 计测技术， 2025， 45（1）： 96-104.

Citation：ZHANG F F， SUN J H. Aero⁃engine lockwire instance segmentation method based on improved Mask R⁃CNN［J］. Metrology & Measurement Technology， 2025， 45（1）： 96-104.

往期文章推荐

航空发动机整机试验关键参数测试技术综述（点击查看）

作者：张天宏, 张宸煦

关键词：航空发动机；性能与可靠性；整机试验；关键参数测试

脉冲爆震增压发动机非稳态参数测试技术研究现状与展望（点击查看）

作者：郑龙席, 杨振, 王丁丁, 卢杰

关键词：吸气式脉冲爆震发动机；非稳态参数；燃烧组织；燃烧室性能；部件匹配；整机性能

航空发动机高温燃气多场同步测试（点击查看）

作者：林音, 郭道勇, 尹晓娅, 黄明镜

关键词：航空发动机；高温；多场同步；旋转；测试

供稿：孙军华

编辑：刘圣晨、刘宇轩

排版：马鹤伟

审核：韩冰

长按识别二维码，加入

计量检测学习交流群!!!