A Spectrum-Driven Hierarchical Learning Network for Aero-Engine Defect Segmentation

Yining Xie

doi:10.3390/computation14050099

A Spectrum-Driven Hierarchical Learning Network for Aero-Engine Defect Segmentation

2026-04-25

0

PRE

AI

DOI：10.3390/computation14050099

原文链接

原文求助

摘要

En 中文

航空发动机缺陷在复杂金属纹理下常表现出微尺度和高频特性，导致精确分割困难。现有的大多数像素级方法依赖空域建模，缺乏频域解耦，使得高频细节易被低频背景信息掩盖。此外，重复下采样削弱了精细结构的表示，导致边界定位不准确和鲁棒性受限。为解决这些问题，提出了一种频谱驱动的层次学习网络用于航空发动机缺陷分割。首先，利用离散余弦变换构建双频谱模块，分离高低频分量，为网络提供稳定且物理意义明确的频域先验。其次，设计细节引导模块，其中高频特征自适应地引导跳跃连接，补偿编码过程中的信息损失并改善边界恢复。此外，开发了低频驱动的区域感知建模模块，分层建模内部缺陷区域、边界区域和背景区域。动态超核生成机制执行区域敏感的卷积建模，提升对复杂结构变化的适应性。在Turbo19和NEU-Seg数据集上的大量实验表明，所提方法能生成精确的缺陷边界，并分别达到89.82%和91.44%的mIoU分数，较次优方法分别提升了5.22%和4.42%。

Keyword:

aero-engine inspection

defect segmentation

dynamic convolution

region-aware modeling

A Spectrum-Driven Hierarchical Learning Network for Aero-Engine Defect Segmentation

摘要

期刊

机构