电子测量技术

作者：鲁思朋，杨光，马建徽，赵纪元，侯欣盟

单位：1.北京信息科技大学自动化学院 北京 100192;2.中国航发四川燃气涡轮研究院 成都 610500

关键词：深度学习;边缘检测;无损检测;神经网络

基金：国家自然科学基金面上项目（51975452）、高能X射线投影图像优化技术研究项目(GJCZ-0202-2024-0002)资助

转子叶片由于工作环境恶劣，十分容易发生形变，为了能监控转子叶片的边缘状态，提出了一种可以快速分割出转子叶片边缘的深度学习算法CACNet,一种进行边缘检测的卷积神经网络。由于转子叶片高能X射线图像噪声多，动态模糊较大，且高能X射线透射带来的机匣内部结构伪影重叠在图像同一部分，导致待检测的图像质量极低。针对这种低质量的图像，使用改进过的自适应Canny算子来获得图像的粗略分割信息，用于辅助神经网络学习到更加准确的叶片边缘原始信息。模型采用多尺度的结构，能够将不同尺度下的分割信息进行融合，使得最终的结果更为清晰精准。为了进一步提高训练质量，引入了一种复合损失函数，可以精确地引导模型学习训练图像中正确的信息，使得最终模型在真实图像上表现的更加良好。实验结果表明，CACNet具备了快速高效检测处转子叶片边缘的能力。

来源：2026年第3期

《电子测量技术》期刊编辑部

查看电子测量技术杂志2026年第3期