[0001] 本发明涉及航空发动机叶片智能化孔探技术领域，特别涉及一种基于小样本异常检测的多场景下航空发动机叶片孔探检测方法。

[0002] 叶片是航空发动机的重要部件，工作在高温、高速、强腐蚀环境中，一旦发生损伤可能会导致灾难性事故的发生。孔探检测是目前叶片原位检测的主要手段，可以在不分解发动机的条件下了解其内部叶片状况。然而，孔探检测需要专业人员对检测结果进行细致分析，这在面对大规模数量的待检叶片时费时费力。为了高效精确地检测叶片，以计算机视觉为核心的叶片智能化孔探检测技术受到越来越多的关注。然而现有智能化孔探技术高度依赖人为标注的真实缺陷数据，由于发动机大多数时间工作在正常状态，因此包含不同种类的缺陷数据难获取，导致当前方法难广泛应用。此外当前智能化检测方法面对不同形状叶片、不同检测视角、不同拍摄光照等场景时，面临着性能骤降的问题。

[0003] 背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。

[0028] 下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

[0029] 需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。

[0030] 为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。

[0031] 如图1至图2所示，基于小样本异常检测的多场景下航空发动机叶片孔探检测方法包括如下步骤：

[0032] 第一步骤中，采集航空发动机叶片的孔探的图像数据作为输入图像数据，划分输入图像数据为支持集和查询集，其中支持集包含待检测场景的至少一个支持正常叶片图像，查询集包含查询待测叶片图像，

[0033] 第二步骤中，提取多层级的像素级特征图，将支持正常叶片图像和查询待测叶片图像输入特征提取器网络中，分别提取支持正常叶片图像和查询待测叶片图像多层级的像素级特征图，包含浅层像素级特征图和深层像素级特征图，其中浅层像素级特征图表征目标的轮廓和纹理的几何结构信息，深层像素级特征图表征目标的语义信息，[0034] 第三步骤中，预测查询待测叶片图像不同层的下采样异常分割图，将每层的支持特征图与查询特征图通过算子Φ作维度变换，得到支持像素级特征矩阵与查询像素级特征矩阵，将得到的两个矩阵相乘，得到查询特征与支持正常特征的像素级相似矩阵，通过算子对像素级相似矩阵按列取最大值并重新梳理维度，得到查询待测叶片图像下采样的像素级异常程度，即查询待测叶片图像下采样的异常分割图，其中下采样表示将原始分辨率等比例缩小。对不同层的特征图重复上述过程，得到查询待测叶片图像不同层的下采样异常分割图查询待测叶片图像；

[0035] 第四步骤中，后处理查询待测叶片图像不同层的下采样异常分割图，将每层下采样的异常分割图通过高斯滤波器，滤除其中的高频噪声信息，通过双线性插值上采样滤除噪声的异常分割图，得到与输入图像等分辨率的异常分割图，将不同层的异常分割图求和，作为待检测图像最后的异常分割图，异常分割图中的值越高代表对应的区域越异常。

[0036] 所述的一种基于小样本异常检测的多场景下航空发动机叶片孔探检测方法的优选实施方式中，第一步骤中，所述支持集为 查询集为Q＝{xq}，其中分别表示支持正常叶片图像和查询待测叶片图像，h，w分别表示图像的高和宽，输入图像维度为3，输入图像为RGB图像，K表示支持集中含K个支持正常叶片图像，i表示支持集中的第i个支持正常叶片图像，q表示查询样本，s表示支持样本，S表示支持正常叶片图像对应的集合，Q表示查询待测叶片图像对应的集合。

[0037] 所述的一种基于小样本异常检测的多场景下航空发动机叶片孔探检测方法的优选实施方式中，第二步骤中，特征提取器网络为 其中h′，w′分别表示图像低维特征的高和宽，d表示特征维度，特征提取器网络将原始RGB空间的图像转化为具备判别性的像素级特征，特征提取后，支持集和查询集对应的像素级特征为其中 对应 由特征提取器网络编码得到的第l层的特征图，si表示第i个支持正常叶片图像。 对应xq由特征提取器网络编码得到的第l层的特征图。

[0038] 所述的一种基于小样本异常检测的多场景下航空发动机叶片孔探检测方法的优选实施方式中，第三步骤中，查询待测叶片图像下采样的像素级异常程度表示如下：

[0039]

[0040] 其中， 表示将特征按空间位置所在的维度铺平，并对得到的特征按列进行L2归一化， 表示对得到的矩
阵按列取最大值，并重新梳理得到的向量， 表示查询待测叶片图像xq与支持集第i个支持正常叶片图像 相关的第l层像素级异常程度，对所有支持正常叶片图像对应的求和，得到查询待测叶片图像下采样的异常分割图

[0041] 所述的一种基于小样本异常检测的多场景下航空发动机叶片孔探检测方法的优选实施方式中，第四步骤中，通过高斯滤波处理查询待测叶片图像下采样的异常分割图表示如下：

[0042]

[0043] 其中， 表示 第m行第n列对应的像素值，u和v分别表示按行和按列方向滑动的距离，r表示高斯滤波卷积核的大小，r选择1时，对应的卷积核为3，表示二维标准正态分布，得到的 通过双线性插值上采样到 为每层上采样后对应的异常分割图，最后对多层的异常分割图求和，表示如下：

[0044]

[0045] 其中， 表示双线性插值上采样， 表示待检测图像的异常分割图，异常分割图中的值越高代表对应的区域越异常。

[0046] 在一个实施例中，如图1所示，一种基于小样本异常检测的多场景下航空发动机叶片孔探检测方法包括以下步骤：

[0047] 第一步，划分输入的图像数据为支持集和查询集，其中支持集包含待检测场景的至少一个支持正常叶片图像，查询集包含查询待测叶片图像，支持正常叶片图像在待检测场景由人指定。

[0048] 具体地，支持集为 查询集为Q＝{xq}，其中 分别表示支持正常叶片图像和查询待测叶片图像，h，w分别表示图像的高和宽，输入图像维度为3，即输入图像为RGB图像，K表示支持集中含K个支持正常图像，i表示支持集中的第i个支持正常叶片图像，q表示查询样本，s表示支持样本，S表示支持正常叶片图像对应的集合，Q表示查询待测叶片图像对应的集合。

[0049] 第二步，提取多层级的像素级特征图，将支持正常叶片图像和查询待测叶片图像输入特征提取器网络中，分别提取支持正常叶片图像和查询待测叶片图像多层级的像素级特征图，包含浅层像素级特征图和深层像素级特征图，其中浅层像素级特征图表征目标的轮廓和纹理的几何结构信息，深层像素级特征图表征目标的语义信息支持正常叶片图像查询待测叶片图像，

[0050] 具体地，特征提取器网络为 其中h′，w′分别表示图像低维特征的高和宽，d表示特征维度，特征提取器将原始RGB空间的图像转化为具备判别性的像素级特征。特征提取后，支持集和查询集对应的像素级特征为 其中对应 由特征提取器网络编码得到的第l层的特征图，si表示第i个支持正常叶片图像。 对应xq由特征提取器网络编码得到的第l层的特征图。

[0051] 第三步，预测查询待测叶片图像不同层的下采样的异常分割图，将每层的支持特征图与查询特征图通过算子Φ作维度变换，得到支持像素级特征矩阵与查询像素级特征矩阵，将得到的两个矩阵相乘，得到查询特征与支持正常特征的像素级相似矩阵，通过算子对像素级相似矩阵按列取最大值并重新梳理维度，得到查询待测叶片图像下采样的像素级异常程度，即查询待测叶片图像下采样的异常分割图，其中下采样表示将原始分辨率等比例缩小。对不同层的特征图重复上述过程，得到查询待测叶片图像不同层的下采样异常分割图查询待测叶片图像。

[0052] 具体地，得到查询待测叶片图像下采样的像素级异常程度，表示如下：

[0053]

[0054] 其中， 表示将特征按空间位置所在的维度铺平，并对得到的特征按列进行L2归一化， 表示对得到的矩阵
按列取最大值，并重新梳理得到的向量， 表示查询待测叶片图像xq与支持集第i个支持正常图像 相关的第l层像素级异常程度。进一步对所有支持正常图像对应的 求和，得到查询待测叶片图像下采样的异常分割图

[0055] 第四步，后处理查询待测叶片图像不同层的的异常分割图，实现多场景下航空发动机叶片智能化孔探检测，将每层下采样的异常分割图通过高斯滤波器，滤除其中的高频噪声信息，通过双线性插值处理滤除的异常分割图，得到与输入图像等分辨率的异常分割图，将多层的异常分割图求和，对应的即为待检测图像的异常分割图，异常分割图中的值越高代表对应的区域越异常。

[0056] 具体地，通过高斯滤波处理 表示如下：

[0057]

[0058] 其中， 表示 第m行第n列对应的像素值，u和v分别表示按行和按列方向滑动的距离，r表示高斯滤波卷积核的大小，r选择1时，对应的卷积核为3，表示二维标准正态分布。得到的 通过双线性插值上采样到 为每层上采样后对应的异常分割图，最后对多层的异常分割图求和，表示如下：

[0059]

[0060] 其中， 表示双线性插值上采样， 表示待检测图像的异常分割图，异常分割图中的值越高代表对应的区域越异常。

[0061] 图2是本发明对不同型号发动机、不同视角、不同光照场景下叶片的智能化孔探检测结果图，预测结果中的红色部分表示待检测叶片的缺陷(异常)区域。

[0062] 在本实施例中，步骤一分别在某些发动机、PT6涡桨发动机、RB211涡扇发动机、V2500涡扇发动机的不同视角下采集叶片的孔探数据，待检测的叶片缺陷包括凹坑、撕裂、涂层脱落以及缺口。首先按步骤一的要求，将输入数据划分为支持集和查询集，图示中支持集仅包含1个待检测场景的正常叶片图像，查询集包含待检测的叶片图像。然后通过步骤二提取支持和查询待测叶片图像的像素级特征，随后使用步骤三计算查询待测叶片图像的下采样异常分割图，最后通过步骤四后处理下采样的异常分割图，将得到的异常分割图变为便于可视化的热度图，附着在查询待测叶片图像上，即得到了图2中的预测结果。

[0063] 从图中可以发现，本发明对不同型号发动机、不同视角、不同光照场景下的叶片缺陷均有较好的定位效果(分割效果)，证明了方法的有效性。

[0064] 尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。