航空发动机叶片检测新突破：双对齐测试时自适应框架让缺陷检测鲁棒性持续提升！
Robust Online Aero-Engine Blade Defect Detection via Dual-Alignment Test-Time Adaptation
📖 AI 总结
该研究针对航空发动机叶片在线视觉检测中的域偏移问题，提出了一种基于测试时自适应的在线缺陷检测框架ABDD。由于叶片缺陷在不同产线、成像条件、叶片姿态和表面背景下外观差异显著，训练数据与部署数据之间存在域不匹配，且缺陷稀疏导致伪标签易出现噪声或漏检，传统检测器可靠性下降。ABDD通过双重对齐策略，将特征统计对齐与伪框对齐相结合，同时适配全局视觉风格和局部缺陷形态；并引入不确定性感知框过滤机制，利用分类置信度、分类熵和定位熵筛选伪框，以抑制误差累积；此外，轻量级稀疏膨胀Mona模块实现参数高效微调并限制源域遗忘。在CD-AeBD和HD-AeBD数据集上的多域偏移实验表明，ABDD在统一架构下持续提升检测鲁棒性，并在工业检测平台上验证了实用性。
🔑 关键词速览
| Test-Time Adaptation (TTA) | 测试时适应，一种在模型部署后利用测试数据在线调整模型参数以适应新域的方法。 |
| Dual-Alignment Strategy | 双对齐策略，本文提出的联合对齐全局视觉风格和局部缺陷形态的方法，包括特征统计对齐和伪框对齐。 |
| Uncertainty-aware Box Filtering | 不确定性感知的框过滤，一种利用分类置信度、分类熵和定位熵评估伪标签质量并过滤不可靠伪框的机制。 |
| Sparse Dilated Mona | 稀疏膨胀Mona模块，一种轻量级参数高效调优模块，用于在适应新域时限制对源域知识的遗忘。 |
| Domain Shift | 域偏移，指训练数据和测试数据分布不一致的现象，在工业检测中常由成像条件、背景等变化引起。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅