一种用于航空发动机缺陷分割的频谱驱动分层学习网络 | MDPI Computation

航空发动机作为飞机核心动力部件，在高温高压等严苛环境下易产生裂纹、划伤等表面缺陷，但内窥检测图像存在金属纹理复杂、反光强烈、缺陷尺度小等挑战。为克服传统方法在多次下采样中细节丢失、边界不连续及误检等问题，研究团队提出频谱驱动层次学习网络，通过离散余弦变换显式解耦高频和低频信息，利用高频分量增强缺陷边缘细节，同时以低频特征驱动区域感知建模，为缺陷内部、边界和背景区域分配差异化动态卷积核，最终实现高频细节与低频结构先验的动态融合。实验结果表明，该方法在NEU‑Seg等数据集上能生成更完整连续的缺陷边界，在细长裂纹和小尺度划伤识别上优于U-Net、HarDNet-MSEG等方法，并显著抑制复杂金属背景导致的误检。