多域特征对齐网络

跨域抗迁移

在YOLOv7中引入域自适应与多尺度特征融合，对航空发动机涡轮叶片表面缺陷实现跨域鲁棒检测，无需大规模标注。

闻新 · Hao, Yu · 何彧 · Qi-Lin, Yan · Kai, Li

IEEE Sensors Journal 2025

参数信息

平均精度均值（mAP）

0.469

平均精度均值（mAP50）

0.863

技术优势

跨域抗迁移

域自适应模块主动调整训练中域间特征分布，减少域偏移影响，模型在不同缺陷场景下泛化能力更强。

小缺陷也不漏检

新增小目标检测头专门处理微小缺陷，结合多尺度特征融合模块，捕捉更细粒度细节，提升叶片表面微缺陷检测能力。

训练收敛快

使用MPDIoU损失函数，训练收敛更快，模型鲁棒性提高，缩短开发周期。

应用场景

• AI视觉检测：为AOI系统提供高精度叶片缺陷检测模型，提升质检自动化水平。
• 航空发动机制造：在叶片制造阶段自动检测表面缺陷，减轻人工质检负担。
• 工业缺陷检测：适用于小样本工业缺陷场景，跨域泛化减少数据依赖。
• 机器人质检：可集成到机器人视觉系统，实现在线实时缺陷检测。
• 航空维护：用于发动机叶片维护检查，快速识别表面缺陷。