陈琳琳，邓华军，张殿喜，陈召松，杜传红

（安顺学院，贵州 安顺 561000）

航空设备结构非常复杂，涉及到的零器件众多，零器件的质量是保障安全飞行的前提。因零器件失效导致的安全事故是航空失事的主要因素之一，为了保证航空设备的正常运行及飞行员的安全，设计生产环境对航空零器件进行质量监控是必不可少的，而缺陷检测是其重要的手段。综上所述，如何在航空零器件生产线的终端环境实现高精度的检测是航空制造业中极其重要的环节，也是保证飞行安全的前提条件。

随着自动图像处理技术的不断发展，基于计算机视觉的表面缺陷检测已经成为航空磁性零件品质控制及过程监控环节的主流技术手段。该方法可以克服人工检测的诸多缺点，包括准确性低、实时性能差、主观性强和劳动强度过高。李鑫等[1]针对目前航空发动机表面缺陷检测效果差的问题，提出了一种基于改进的YOLOv5 的检测方法，相较于原始的YOLOv5 网络，该方法在检测效率不变的情况下将平均检测精度提升了1.2%。唐嘉鸿等[2]采用深度学习方法，基于改进的Faster R-CNN 网络研究航空发动机制件的表面缺陷检测，该方法检测速度快的同时还具有较高的检测精度。Huang 等[3]研究了磁砖的表面缺陷检测，提出了一种实时的多模块神经网络模型MCuePush UNet，实验表明该模型能够显著降低算法时间成本，并提高了表面缺陷检测的显著性精度。Qiu 等[4]提出了一种基于深度学习的逐像素点的表面缺陷分割算法，该方法在DAGM 2007 数据集上取得了较好的表现。……