《The Innovation》：AI-driven automation of aviation equipment inspection: Insights from a complex adaptive systems perspective
编辑推荐：
本刊推荐：针对航空设备检测中存在的传感数据退化/有限、细微遮挡缺陷识别不可靠、资源受限部署难三大挑战，研究团队从复杂适应系统(CAS)理论视角出发，开发了包含文本-图像交互生成、局部-全局注意力模块与参数自适应知识蒸馏(KD)的三层框架。该方案在GKN叶片、AeBAD等五个高难度数据集上实现F1分数最高提升20.58%，模型参数减少90.9%，推理速度提升16倍，为工业无损检测提供了兼具精度与效率的轻量化部署新路径。
当飞机引擎叶片上出现发丝般细微的裂纹，或是燃烧室内壁存在肉眼难辨的腐蚀斑点，传统的航空设备检测方式正面临前所未有的挑战。在复杂多变的检测环境中，传感器采集的数据往往存在退化现象，细微缺陷容易被遮挡，而检测系统又需要在有限的计算资源下保持高精度——这如同要求医生在微弱光线下通过模糊的X光片诊断微小的病灶。正是为了解决这一行业痛点，厦门大学吴佩书团队在《The Innovation》上发表了开创性研究，通过复杂适应系统(Complex Adaptive Systems, CAS)理论重塑了航空检测的技术范式。
研究团队创新性地构建了数据-模型-应用三层框架。在数据层，采用文本-图像交互生成技术破解了缺陷样本稀缺的难题；模型层设计的新型注意力瓶颈块可同时捕捉裂纹等长条状缺陷和凹痕等细微异常；应用层则通过硬件-软件协同优化实现了跨平台部署。尤为值得一提的是，团队提出的两阶段参数自适应知识蒸馏(Knowledge Distillation, KD)方法，使模型参数减少90.9%的同时，在五个高难度数据集上实现了F1分数最高提升20.58%的突破。
关键技术方法主要包括：基于文本提示的缺陷样本生成技术、融合曼哈顿距离衰减偏置的拓扑空间先验编码、参数(α和Temp)自适应的两阶段知识蒸馏策略，以及支持多线程异步处理的跨平台部署架构。实验数据来源于GKN叶片、AeBAD航空发动机部件、NEU金属纹理等五个权威数据集。
性能分析
如图1B所示，在跨数据集评估中，该方法在四个公共基准测试中均保持领先。特别是在域适应场景下，AeBAD数据集的F1分数从59.92%提升至80.50%；针对遮挡严重的GKN叶片缺陷，检测性能从78.67%提高到90.57%；在纹理细微变化的NEU数据集上，精度也从98.62%提升至99.17%。
置信度评估
图1C对比了教师模型与学生模型在实际孔探检测中的置信度分布。自适应KD使检测结果的置信度分布更加紧凑可靠，显著降低了伪阳性与伪阴性错误。图1D进一步显示，该方法在"Good"类别上保持保守判断，在挑战性缺陷类别上达到平衡性能。
效率优势
图1E表明，该模型参数量降低超80%，推理速度提升近16倍。图1F的混合架构效率分析显示，其F1分数-参数量比显著优于单一架构模型，验证了局部-全局信息融合的设计优势。
消融实验
图1G-H通过六组模型变体验证了核心组件的必要性。α自适应贡献最大性能增益，Temp自适应则优化类别级校准。注意力模块数量需根据数据集特性调整：复杂数据集适合4-5个模块，而噪声较多数据则需减少至3-4个。
参数优化
图1I揭示了α与Temp的非线性耦合效应：训练初期采用低α与高Temp有利于探索，后期通过高α与低Temp组合锐化决策边界。图1J对比显示，自适应KD的压缩效果(模型体积减少90.9%)显著优于剪枝(82.3%)和量化(66.6%)。
这项研究的意义不仅在于技术指标的突破，更在于构建了完整的智能检测理论体系。通过模拟复杂适应系统的涌现特性，将教师模型视为高维系统，学生网络作为边缘代理，实现了知识传递的动态重组。该方法已成功部署于航空发动机维护平台，支持跨设备协同作业，为工业检测提供了从算法创新到落地应用的完整解决方案。未来，团队计划探索多源异构融合与协同学习机制，进一步推动跨域可信决策的发展。
这项由自然科学基金(62073271)等项目支持的研究，标志着我国在航空智能检测领域已从跟跑转向并跑，正朝着领跑的目标稳步迈进。随着该技术在其他工业领域的推广，有望重塑高端装备智能运维的技术格局，为制造业数字化转型注入新动能。
