自适应参数分析结果的航空发动机孔探图像损伤检测

黄睿，成旭毅，汪若飞，段博坤，陈晓璐，樊玮

中国民航大学计算机科学与技术学院，天津 300300

0 引言

航空发动机的健康状况直接影响飞机的飞行安全和利用率。目前业内普遍采用非接触式的发动机孔探目视检查技术对发动机损伤进行检测，其检测结果直接决定航空发动机是否要进行非例行更换（张勇，2004）。

李华等人（2016）通过对提取的边缘进行膨胀和腐蚀等操作检测叶片中的裂缝，实现了裂纹的识别和量化，但检测损伤类别单一。张勇等人（2008）使用Canny 算子提取边缘后，进行基于样条插值测量，用于叶片缺口的检测和量化。以上基于传统的图像处理方法的损伤检测需要针对不同的图像调整相应的参数才可以得到可靠的损伤检测结果，检测精度低，鲁棒性较差。基于深度学习的损伤检测方法，通过从大量的损伤图像中学习损伤的相关特征用于检测发动机损伤。旷可嘉（2017）基于Faster R-CNN（faster region-based convolutional neural network）（Ren 等，2017）和SSD（single shot multibox detector）（Liu 等，2016）开发了一个损伤检测系统，实现了对凹痕、缺口和烧蚀三类损伤的检测，检测速度和准确率相对于传统图像处理方法有大幅度提升。Li等人（2019）基于YOLOv3（you only look once version 3）（Redmon 和Farhadi，2018）提出了一个轻量的裂纹检测网络YOLOv3-lite（you only look once version 3 lightweight），将特征金字塔和YOLOv3 两者相结合，加快检测速度的同时保证了检测精度。Wong 等人（2021）直接 使用Mask R-CNN（mask region-based convolutional neural network）（He 等，2017）检测发动机叶片损伤，没有考虑发动机叶片损伤检测的特殊性，导致损伤检测效果较差。现有的基于深度学习的损伤检测方法在部分类型的发动机损伤检测上具有较高的检测精度，但检测的损伤类型少、涉及的发动机区域单一。

图1 展示了 YOLOv5 和本文方法在发动机不同区域的损伤检测结果以及不同区域各类损伤数量统计结果。图1（a）中，不同颜色的检测框代表不同的损伤类别。可以看出，基于YOLOv5（Redmon 等，2016）的损伤检测方法存在大量漏检和误检。根本原因是现有的孔探图像损伤检测方法直接使用目标检测方法训练一个多类别损伤检测器，对不同位置使用相同的参数进行损伤检测，没有考虑同种类型损伤在发动机不同区域发生的概率不同，固定的超参数可能导致较高的误检和漏检。图1（b）是某航空公司13 个航空发动机区域2 654 幅孔探图像上烧蚀、裂缝、材料丢失、涂层脱落、刻痕和凹坑6 种典型的发动机损伤的数量统计情况。可以看出，发动机的CC（combustion chamber）、HPC（high pressure compressor）、HPT（high pressure turbine）和HPTN（high pressure turbine nozzle）区域更容易发生损伤，并且不同区域发生的损伤类型和损伤所占的比例也存在差异。

图1 YOLOv5和本文方法在发动机不同区域的损伤检测结果以及不同区域各类损伤数量统计结果Fig.1 Damage detection results of YOLOv5 and the proposed method in different areas of an engine，as well as statistical results of various types of damage in different areas（（a）damage detection results in different areas of an engine；（b）statistical results of various types of damage in different areas）

为了提高损伤检测的准确率，本文提出了一种自适应参数的孔探图像损伤检测方法。通过识别孔探图像所属的发动机区域，针对不同区域孔探图像设置不同的参数检测发动机损伤。同时为了避免单检测器上不同类型损伤之间相互干扰，采用独立检测器检测单一类别的损伤，并对误检率高的损伤进行真假识别。通过合并检测到的不同类型的损伤，得到最终的损伤检测结果。为了改进水平的矩形检测框，使用分割结果产生旋转的检测框，有效地减少了框中的背景区域。实验结果表明，提出的自适应参数的孔探图像损伤检测方法的准确率和召回率分别达到了90.4%和90.7%，比当前最好的目标检测方法（YOLOv5）的准确率和召回率分别高24.8%和25.1%。

1 相关工作

1.1 损伤检测

基于传统图像处理技术的损伤检测主要使用边缘检测、小波变换、阈值分割和支持向量机等方法检测发动机损伤。Meng和Luo（2009）使用支持向量机识别发动机叶片缺陷并进行损伤等级分类。李长有等人（2006）借助损伤区域边缘的曲线粗糙度特征识别发动机叶片裂纹。李华等人（2016）提取叶片轮廓后，利用三次样条函数进行差值计算，并使用一次和二次导数对材料丢失进行检测和分析。基于传统图像处理技术的损伤检测不需要大量的训练数据，但要针对不同类型的损伤设计不同的检测算法，检测准确率较低，无法用于实际的发动机损伤检测。

随着深度学习在计算机视觉领域取得了较大成功，研究人员尝试在孔探任务中引入深度学习算法以提升分类或检测性能。陈果和汤洋（2008）利用结构自适应网络，使用图像灰度共生矩阵的表面纹理参数作为特征，对卷曲、腐蚀、裂纹及撕裂4 类损伤进行分类。Svensén 等人（2018）使用VGG（Visual Geometry Group）（Simonya 和Zisserman，2015）对发动机混合器、燃烧室、燃料喷管和高压涡轮叶片的图像进行分类，准确率达到了77%。Kim 和Lee（2019）使用传统的特征匹配算法筛选出孔探图像中可能的损伤图像块，然后使用5 层的卷积神经网络判断图像块中是否存在边缘缺口。基于全卷积网络（fully convolutional network，FCN）（Long 等，2015），Bian 等人（2016）提出可扩展的多尺度全卷积网络，检测发动机叶片图像中的热障涂层丢失。Shen 等人（2019）提出基于FCN 的损伤检测和定位模型，在裂纹和烧蚀这两类损伤检测和分割任务上取得了良好的效果。

1.2 目标检测

基于深度学习的目标检测方法可以分为两阶段和一阶段检测方法（赵永强 等，2020）。两阶段检测方法在每个位置产生固定数量的候选框，然后使用边界框分枝判断候选框的类别、回归实例的准确位置，同时使用掩码分枝得到实例的分割结果。代表性工作有DeepMask（Pinheiro 等，2015）、SharpMask（Pinheiro 等，2016）、InstanceFCN（instance sensitive fully convolutional network）（Dai 等，2016a）、MNC（multi-task network cascades）（Dai 等，2016b）和BAIS（boundary-aware instance segmentation）（Hayder 等，2017）等。DeepMask 首先采用滑动窗口方式得到目标区域，然后设计两个分枝分别用于实例分割和目标类别的预测。BAIS 针对预测的边框进行了多尺度的反卷积操作，以解决由于边框不准确造成的分割不完整的问题。为了提高候选框的质量，许多先进的目标检测工作都采用RPN（region proposal network）产生候选目标区域（region proposal），代表性的工作有R-FCN（region based fully convolutional networks）（Dai 等，2016c）、Fast R-CNN（fast region-based convolutional neural network）（Girshick，2015）、Faster R-CNN、Mask R-CNN 和MS R-CNN（mask scoring RCNN）（Huang 等，2019）等。MS-R-CNN 从直接预测Mask 质量分数的角度，解决Mask R-CNN 中目标分类分数和Mask 质量不匹配的问题。HTC（Chen 等，2019）将Mask R-CNN 与Cascade R-CNN（Cai 和Vasconcelos，2018）结合形成级联结构，并在此基础上提出增强结构，逐步改善边框预测和Mask分割效果。

一阶段检测方法通过直接在每个位置判别当前位置所属的类别并计算其所在实例的边框坐标，避免了对候选框的重复计算，大大提高了网络的检测速度，其中代表性的工作有ExtremeNet（extreme network ）（Maninis 等，2018）、CornerNet（corner network）（Law 和Deng，2018）、FCOS（fully convolutional one stage object detection）（Tian 等，2019）、YOLO、SSD等。YOLO 将图像划分成S×S的网格，每个网格预测2 个边框以及20 个类别概率，然后根据阈值去除可能性比较低的目标。但由于YOLO 对小物体的检测效果较差，后续的YOLOv2—v5 都采用锚点的方式提高了检测精度。FCOS 的核心是一个特征金字塔和3 个分枝网络，除了分类和回归分枝外，加入了中心度分枝剔除低质量预测。Corner-Net 预测两组热图（一组为“左上”角点，另一组为 “右下”角点），每组热图的通道数为实例的类别数量，开创性地利用角点检测目标。ExtremeNet 针对每一个类别，检测上下左右4 类极值点和中心点坐标，再将极值点坐标与中心点坐标用几何方式组合起来构成一个实例框。两阶段检测算法的速度慢，但精度较高；一阶段检测算法的速度快，但精度较低。

2 本文方法

2.1 问题描述

航空发动机损伤检测的目的是使用目标检测算法在给定的孔探图像I 上检测损伤区域并识别损伤类型。给定损伤检测模型∅(I；W)，W 表示损伤检测模型的参数，如YOLOv5 的网络模型参数。在进行目标检测时，针对不同场景的目标需要设置不同的超参数。航空发动机不同区域的差异较大，导致不同区域的损伤类型和数量存在较大差异。单一的检测模型使用固定超参数和网络模型参数检测多类损伤，致使同种类型的损伤在一些区域出现误检，在另一些区域出现漏检，影响了检测模型的识别准确率。此外，当需要识别新的损伤类型时，需要在整个数据上重新训练损伤检测模型。

本文提出一种自适应参数的孔探图像损伤检测方法，如图2 所示，通过识别孔探图像所属的区域，设定检测模型对应的超参数，使用不同损伤类型的检测器对损伤图像进行检测，以此解决新增损伤的检测问题。具体来说，首先使用一个区域识别器φ(I)识别图像所属的发动机区域；然后，使用不同超参数的检测器∅(I；Wj，θjk)检测对应的损伤，Wj表示第j类损伤检测模型的参数，θjk表示第j类损伤检测模型在第k个发动机区域使用的超参数；为了去除假的损伤，使用真伪辨别器ψ(Ri)对检测到的损伤Ri进行识别，最终合并不同检测器的检测结果得到最后的损伤检测结果。并针对涂层脱落，使用分割方法得到损伤区域，产生符合损伤形状的旋转框。

图2 自适应参数的孔探图像损伤检测方法框架Fig.2 Framework of the proposed parameter adapted borescope images damage detection method

2.2 自适应参数的孔探图像损伤检测

2.2.1 区域识别器φ（I）

孔探针对航空发动机中的CC、LPTN（low pressure turbine nozzle）、HPC、HPT 等多个区域进行损伤检测，不同区域包含的损伤类型和损伤所占比例都明显不同。识别孔探图像拍摄的发动机区域，可以针对不同的区域设置不同的超参数，提高损伤检测的准确率。孔探图像的区域识别对应视觉中的图像分类问题，本文使用图像分类网络Pytorch-Encoding作为区域识别器φ（I）。孔探图像所属的发动机区域k的计算式为

Pytorch-Encoding 采 用ResNeSt50（Zhang 等，2022）作为骨干特征提取网络，并将提取后的特征通过字典学习和残差编码的方式结合进行分类，在航空发动机区域识别任务上具有较高的分类准确率。

2.2.2 单检测器算法的损伤检测

在进行目标检测时，一般使用单个目标检测器∅(I；W)检测多种类型的目标。不同的目标使用相同的网络参数和超参，导致出现误检和漏检的问题。考虑到YOLOv5 的检测速度和精度，本文使用YOLOv5作为基础的损伤检测器。

YOLOv5 借鉴了CSPNet（cross stage partial network）（Wang 等，2020）的设计思路，设计了两种CSP结构CSP1_x 和CSP2_x，将上一阶段的特征输入到两个分枝中，分别进行卷积操作使得通道数减半，并对其中一个分枝进行若干次Bottleneck操作，然后拼接两个分枝得到最终结果。通过上采样和卷积操作，将不同尺度CSP模块提取的特征进行融合，增强了网络特征的提取和融合能力。在Neck 部分中，使用FPN（feature pyramid network）和PAN（path aggregation network）组合对特征进行融合，增强特征中的语义信息和位置信息。使用GIOU_Loss（generalized intersection overunion loss）作为检测框的损失函数，达到了更快更好的收敛效果。在输入端改进了数据增强方式，加入了mosaic 模块，通过随机缩放、随机裁剪和随机排布的方式拼接图像后训练，丰富数据集的同时减少了训练时间，提升了对小目标对象的检测效果。使用自适应锚框计算将训练集中的效果最好的锚框值保存下来，并通过自适应图像缩放方法添加最少的黑色填充，降低了图像缩放填充黑边的影响，减少计算量的同时提升了检测速度。

YOLOv5 中通过设置置信度阈值、NMS-IOU（non maximum suppression intersection over union）阈值等超参数控制目标检测效果。图3 展示了使用YOLOv5 在HPT 区域分别改变置信度和IOU 阈值时的平均精度均值（mean average precision，mAP），红色水平线为使用YOLOv5 默认置信度和NMS_IOU阈值参数时的mAP。可以发现，改变置信度阈值对损伤检测的影响最为明显。

图3 HPT区域使用不同置信度和IOU时的mAPFig.3 mAP with different confidence levels and IOU on HPT region

2.2.3 多检测器融合的损伤检测

本文提出一种自适应参数的孔探图像损伤检测方法，通过识别孔探图像所属的区域，设定检测器对应的超参数。同时，为了提高损伤检测模型的扩展性，本文针对每一类损伤训练一个独立的损伤检测器∅(I；Wj，θjk)，其中Wj为第j类损伤检测的模型参数，θjk表示第j类损伤检测模型在第k个发动机区域使用的超参数。对于孔探图像I 的损伤检测结果由多个损伤检测器的结果合并而产生，具体为

式中，∪ 表示合并操作，J表示损伤的类型总数，K表示发动机的位置数。由于检测器相互独立，在得到发动机区域k后，可以并行检测多个类型的损伤。独立检测器的方式方便增加新类型的损伤检测，当需要检测新的损伤类别时，只需要重新训练一个损伤检测器，将新的检测器合并到已有的检测器中，即可在不改变已有损伤检测器的基础上检测新出现的损伤。不同类别损伤检测器的检测结果融合过程如图4所示。

图4 不同类型的损伤检测器的检测结果合并实例Fig.4 Examples of detection results combination of detectors of different types of damages

2.3 真假损伤辨别

在实际应用中，裂缝检测器常将叶片铸痕、气流痕迹、孔探划痕和部件之间连接缝隙等识别成裂缝，刻痕和凹坑也容易发生混淆。为了去除假的损伤，使用真伪辨别器ψ(Ri)对检测到的损伤Ri进行识别，确定损伤的真实类别。ψ(Ri)采用ResNet101（deep residual network 101）（He 等，2016）对检测到的图像块进行分类。针对裂缝，ψ(Ri)判断Ri是否为真实裂缝；针对刻痕和凹坑，ψ(Ri)判断Ri所属类别。

2.4 旋转框生成

由于涂层脱落的面积较大，且拍摄时不能保证发动机叶片处于水平或垂直状态，导致矩形检测框中包含大面积的背景区域，不利于损伤的量化和可视化。为了解决此问题，优化检测结果，本文采用BlendMask（Chen 等，2020）实例分割算法对检测到的涂层脱落进行分割，并使用分割结果生成旋转的矩形框。图5 展示了两组检测框旋转前后对比及中间过程的分割结果。从图5 第1 列与第3 列对比可以看出，生成的旋转矩形框可以准确地覆盖涂层脱落区域，有效地减少背景信息。

图5 水平检测框和旋转检测框结果对比Fig.5 Comparison of horizontal detection bounding boxes with rotated detection bounding boxes

3 实 验

3.1 实验设置

3.1.1 数据集

数据集由国内某航空公司工作人员拍摄的13个航空发动机区域的2 654 幅孔探图像组成。使用Labelme 软件对所有数据进行标注后，按9∶1 的比例将数据划分成训练集和测试集。每个区域的图像数量和损伤数量如表1 所示。采用交互式数据扩展方法（樊玮 等，2020）将训练数据集扩展，然后使用旋转、裁剪和曝光等增强操作将所有的训练数据扩充10倍，用于损伤检测模型的训练。

表1 发动机不同区域的孔探图像和损伤数量明细Table 1 Detail of numbers of borescope images and damages of different areoengine regions

3.1.2 对比方法

实验选取5 种先进的目标检测方法SSD、YOLACT（you only look at coefficients）（Bolya 等，2019）、YOLOv5、YOLOX（you only look once x）（Ge等，2021）和Mask R-CNN 进行对比实验。模型在Ubuntu 系统上搭建，所有方法均使用Pytorch 框架实现，在2080Ti上进行训练和测试。

3.1.3 实现细节

实验时，区域识别器数据集使用发动机各区域图像共5 680 幅，对13 个区域进行分类后，按9∶1 随机划分为训练集和测试集进行训练。Pytorch-Encoding使用ResNeSt50作为骨干网络，batch size为128，选取SGD（stochastic gradient descent）作为优化器，momentum 为0.9，设置初始学习率为0.001，衰减率为0.000 1，训练500 个epoch，取最好结果为最终模型。

单个目标检测器使用beta1 momentum 为0.937的Adam 优化器训练损伤检测模型。预训练模型使用YOLOv5x，初始学习率为0.001，使用余弦退火算法对学习率进行更新，衰减率为0.000 5，batch size为64，训练300个epoch，选取最好的结果。

检测框旋转模块使用划分好的损伤数据集对涂层脱落损伤单独进行分割训练，BlendMask 使用ResNet50 作为骨干网络，学习率设置为0.01，迭代270 k 次，学习率在210 k 和250 k 时衰减为原来的0.1倍。选取最后一次迭代的结果作为最终检测模型。

真假判别器将裂缝与刻痕的GT（ground truth）和检测结果中的FP（false positives）裁剪后的图像作为训练集。选择ResNet101 作为特征提取网络训练损伤判别器，batch size 为64，使用SGD 作为优化器，设置学习率为0.001，训练500 个epoch，选取在测试集上效果最好的模型作为最终模型。本文主要针对发动机孔探图像损伤检测提出了一种有效的训练框架，没有修改所使用的分类、检测和分割网络模型。

3.2 结果分析

3.2.1 区域识别效果

航空发动机不同区域的识别准确率如表2 所示。除了LPTN（low pressure turbine nozzle）和HPTN的识别准确率为78%和88%以外，其他区域的准确率均高于90%，在损伤易发生的CC、HPT和HPTN这3个区域的识别准确率达到了99%、98%和88%。所有区域的平均识别准确率达到了95.35%。其中部分LPTN 区域的孔探图像是近景拍摄的图像，只关注叶片的部分区域，丢失了LPTN 叶片的全局图像信息，导致此区域的识别准确率相对较低。

表2 区域识别器在航空发动机不同区域的识别准确率Table 2 Accuracy of recognition of different aero regions

基于航空发动机区域识别结果，分别设置不同类型损伤检测器的超参数。对于损伤发生概率大、检测难度高的区域，设定较小的阈值保证高的召回率。对于损伤发生概率小、误检比较多的区域，设定较大的阈值减少误检。根据3.3.1 节在不同置信度对损伤检测影响的实验，设置本文方法在不同区域使用的超参数，具体参数设置如表3 所示。由于HPC（high pressure compressor）、HPTshroud、IGVActuationRing（inlet guide vane actuation ring）、LPC（low pressure compressor）、Miscellaneous、PistonRing 和RDS（radial drive shaft）的图像数量及损伤数量较少，本文将其合并作为一类（others），使用相同的超参数。

表3 本文方法在不同区域使用的超参数Table 3 Hyperparameters of different regions

3.2.2 损伤检测结果分析

图6 展示了不同检测方法的损伤检测结果。其中，不同颜色的检测框代表不同类型的损伤。可以看出，SSD 可以检测到明显的损伤，但对于第1 和第2 幅图中的裂缝、第2 幅图中的材料丢失、第3 幅图中的凹坑等类似的特征不明显，重叠的损伤检测效果较差。YOLACT、YOLOX、YOLOv5 的检测结果优于SSD，但无法检测到第1 行中较短的裂缝，在第2 幅和第5 幅图中有较多的误检。Mask R-CNN 无法检测到第1 和第3 幅图中的裂缝和凹坑，在第5 幅图中重复检测到图像中的裂缝。本文方法可以准确地检测到5 幅图像中的所有损伤，并正确地判断损伤的类型。同时，使用旋转框可以有效减少检测框中的背景，准确地标出损伤区域。

图6 不同检测模型的损伤检测结果Fig.6 Detection results of different detectors（（a）SSD；（b）YOLOX；（c）YOLACT；（d）YOLOv5；（e）Mask R-CNN；（f）ours；（g）ground truth）

不同检测方法mAP的量化结果如表4所示。可以看出，本文方法针对不同损伤检测的mAP 明显高于其他对比方法。在所有对比方法中，结果最差的是SSD，平均mAP 仅为16.6%。YOLOv5 的平均mAP 为41.1%，是对比方法中检测结果最好的。本文方法的平均mAP 是56.3%，分别超出YOLOv5 和SSD的平均mAP 15.2%和39.7%。在烧蚀和涂层脱落两类损伤检测上，本文方法的mAP 达到了79.5%和75.6%。但刻痕的损伤检测结果较差，mAP 仅有13.3%。原因可能是大多数刻痕只有十几个像素，而检测网络无法进行细粒度的检测。本文方法的检测速度达到4.3 帧/s，高于二阶段检测方法（Mask R-CNN），略低于一阶段检测方法（SSD、YOLO 等），但本文方法检测结果的平均精度高于其他对比方法。

表4 不同检测模型的检测结果（mAP）及检测时间Table 4 Detection results（mAP）and detection time of different detection models

表5 展示了不同检测模型的准确率及召回率。本文方法的平均准确率和召回率分别是0.904 和0.907，远高于其他的对比方法。在对比方法中，SSD 的量化结果较差，平均准确率和召回率都低于0.2；YOLOv5 的结果最高，平均准确率和召回率达到了0.65 以上。除了在刻痕损伤的检测上，本文方法的准确率低于0.8，其他损伤检测的准确率都高于0.9。高的准确率和召回率保证了损伤检测的正确性，减少了损伤的漏检，从而使得本文方法更能满足实际应用的需求。本文方法在航空发动机损伤检测方面具有高的平均精度、准确率和召回率，检测精度优于直接使用现有的目标检测方法的精度。

表5 不同检测模型的准确率和召回率Table 5 Accuracy and recall of different detectors

3.3 消融实验

3.3.1 不同置信度对损伤检测的影响

表6—表8 给出了在不同置信度阈值下HPT、HPC和CC这3个区域中各类损伤检测结果的F1值。如表6 所示，烧蚀在HPT 上最佳置信度为0.7 和0.8，裂缝在HPT 上的最佳阈值为0.7，在HPC 上为0.2～0.6，而在CC 上为0.6。材料丢失在HPT 上的最佳阈值为0.7，在HPC 上为0.6～0.8，而在CC 上为0.9。可以看出，各类损伤在不同区域上的最佳检测阈值存在差异，需要根据具体情况设置对应的最佳参数。本文方法设置的参数能够在各个区域上达到较高的准确率，同时尽可能地减少FP数量。

表6 本文方法在HPT区域不同置信度下各类损伤的F1值Table 6 F1 values of the proposed method using different confidence levels on HPT region /%

表7 本文方法在HPC区域不同置信度下各类损伤的F1值Table 7 F1 values of the proposed method using different confidence levels on HPC region /%

表8 本文方法在CC区域不同置信度下各类损伤的F1值Table 8 F1 values of the proposed method using different confidence levels on CC region /%

3.3.2 真假损伤辨别对损伤检测的影响

使用真假损伤判别器能有效减少检测结果中的FP 数量，表9 给出了裂缝和凹坑是否使用判别器时的FP 数量。在使用判别器后，检测结果中的FP 数量都有所下降。其中凹坑的损伤数量较少，生成的FP 也较少，在使用判别器后，FP 下降为0。裂缝损伤在使用判别器后，FP 数量减少了8 个。可见真假损伤判别器有助于提高损伤检测器的性能。

表9 本文方法是否使用损伤判别器对比Table 9 Comparison of using a damage discriminator in the proposed method

4 结论

发动机孔探任务中，不同区域的损伤分布及数量不同，使用固定的超参数检测器无法适应所有区域的损伤检测。对此采用YOLOv5 作为基础检测器，提出了一种自适应参数的航空发动机图像损伤检测方法。首先利用Pytorch-Encoding 对损伤图像进行区域识别，对发动机区域进行分类处理。分类处理后的图像通过修改检测器参数能够更准确地检测损伤，改进检测效果，对于容易混淆的损伤类型，使用ResNet 分类器进行二次判别，本文方法还可以针对某一区域新增的损伤对检测器进行扩展，同时不会影响已有的检测器。为了更好地表示损伤，使用BlendMask 对损伤区域进行分割，并根据分割结果，使用最小外接矩形求出旋转检测框，减少预测框中无效的背景信息。大量的实验验证了本文方法的有效性。在后续研究中，将根据发动机孔探图像的特点优化孔探图像区域识别网络，提升区域识别的准确率；改进检测网络模型，提高微小损伤的识别率；优化整体网络框架，提升损伤检测速度。