樊 玮，李晨炫，邢 艳，黄 睿*，彭洪健

（1.中国民航大学计算机科学与技术学院，天津 300300；2.厦门航空有限公司维修工程部，福建厦门 361006）

0 引言

航空发动机损伤是影响飞行安全的重要因素。业界普遍采用视情维护策略，通过孔探检查在不拆解发动机的前提下监测其内部的损伤状况［1］。90%以上的拆解发动机的主要依据来自孔探检查的结果［2］。然而，传统人工检查方式需要专业的检修人员并耗费大量的时间［3］。

近年来，研究人员将图像处理技术，如：样条插值［4］、骨架特征提取［5］，用于发动机损伤检测。虽然取得了一些进展，但仅用于某类（如：裂纹）损伤，不适用于其他损伤类型。随着深度学习在计算机视觉中取得巨大的成功，基于VGG16（Visual Geometry Group network 16）［6］、FCN（Fully Convolutional Network）［7］、Faster R-CNN（Faster Region-based Convolutional Neural Network）［8］和SSD（Single Shot multibox Detector）［9］，研究人员发表了一系列用于航空发动机孔探损伤检测的文章。尽管基于深度学习的检测算法与传统基于手工特征的算法相比省去了复杂的特征设计过程，但是存在以下两方面问题：一、现有检测算法将发动机孔探损伤检测视为目标检测或者语义分割问题，利用成熟的目标检测或者语义分割模型进行发动机孔探损伤检测，对发动机孔探检测问题的特殊性关注不足，检测精度较低；二、现有检测算法使用的数据量较少、损伤类型单一，在处理发动机图像时模型的鲁棒性低，可检测类别少，难以用于实际的孔探检测工作。

在实际孔探检测工作中，首先由检修人员确定发动机中有无损伤，其次转交技术专家确定损伤类型和严重程度。……