飞机结构需要高耐久性，特别是在循环载荷和恶劣环境中。薄皮机翼面板对于减轻重量和提高性能至关重要，但它们本质上包含了用于维护和系统集成的开口。然而，这些开口会导致应力集中，从而加速疲劳裂纹的增长，对结构完整性构成重大风险[1]。传统的裂纹检测方法在这些复杂区域存在主要限制：对早期损伤的敏感性差、分辨率低、实施成本高以及依赖于过时的检测协议[2],[3]。这些缺点降低了它们的预测能力，无法满足现代结构健康管理系统的要求。
目标检测模型，特别是“你只看一次”（YOLO）架构，为裂纹检测等应用提供了端到端的能力[4]。邓等人[5]将YOLO应用于自动定位真实混凝土结构图像中的裂纹并标注边界框。刘等人[6]优化了YOLO以检测基于金属的半导体激光器中的缺陷，引入了一个小目标增强模块以提高多尺寸裂纹的检测率。与较简单的准脆性材料不同，延性金属裂纹表现出复杂的多级裂纹层次结构和多阶段增长，降低了传统目标检测方法的准确性。为了提高多尺寸缺陷和裂纹扩展的检测能力，出现了语义分割和切片辅助增强技术。语义分割实现了像素级的场景理解，通过深度学习能够检测到具有挑战性的裂纹形态[7]。邹等人[8]和刘等人[9]分别使用深度卷积网络进行裂纹检测和疲劳裂纹区域分割，证明了语义分割在断裂分析中的有效性。何等人[10]还使用改进的生成式深度学习算法显著提高了复杂结构中裂纹检测的效率。
像切片辅助超推理（SAHI）这样的切片辅助方法通过处理分割的子图像来解决小目标检测问题。董等人[11]将SAHI集成到YOLO中，用于低成本的实时无损金属检测。马岑等人[12]将SAHI集成到基于区域的卷积神经网络中，分析其对检测大尺寸图像中小目标能力的影响。然而，这些方法在解析细微裂纹细节和保持塑性变形裂纹尖端附近的准确性方面仍然有限。
基于物理的神经网络（PINN）通过将断裂力学方程嵌入训练中，克服了纯数据驱动方法中的物理不一致性，提高了准确性和泛化能力[13],[14]。它们被广泛用于疲劳寿命预测。孔等人[15]通过预测疲劳裂纹扩展率，证明了PINN模型在高离散度预测中的准确性。廖等人[16]使用自适应PINN进行多轴疲劳寿命预测，实现了最低的均方根误差（RMSE）。张等人[17]在深度神经网络中加入了一个基于物理的损失函数作为约束，以预测高温下不锈钢的蠕变疲劳寿命。舒克拉等人[18]将超声监测数据与可变形数据集成到PINN中，以识别和表征金属板表面的断裂裂纹。然而，PINN严重依赖于手动策划和直接匹配的训练数据，无法捕捉变异性航空航天载荷下的随机裂纹增长。
将YOLO的快速数据捕获能力与PINN的准确信息预测能力相结合，扩展了损伤检测的范式，增强了判断损伤寿命的能力，并解决了预测模型中的不确定性。洛伦等人[19]应用YOLO识别集成电路中的热成像，并使用PINN模拟热传播模式，从而提高了故障检测的准确性和效率。此外，还有其他图像识别技术与PINN的应用相结合。李等人[20]将PINN引入数字图像相关（DIC）中，以在复杂场景中实现像素级的位移场计算。使用高精度真实数据训练的模型可以有效提高准确性和鲁棒性。然而，当前的图像识别和数据预测混合方法面临关键障碍：视觉和物理输入之间的分辨率不匹配、稀疏数据的不确定性以及缺乏反馈，使得它们在实时应用中的效率较低，准确性的提升也有限。
贝叶斯更新通过动态集成实时反馈，通过先验知识同化和新数据融合，迭代地细化预测，从而增强了YOLO-PINN范式[21]。这种方法显著降低了不确定性，同时提高了数据效率。跨领域验证证实了其多功能性：李等人[22]通过将贝叶斯网络与PINN融合用于概率岩石物理反演并量化不确定性，展示了其在地震学中的应用。陈等人[23]通过动态贝叶斯网络统一了物理模型和多源预测，以预测金属结构中的裂纹扩展和剩余寿命。总体而言，贝叶斯集成通过可微分的数据-物理框架实现了检测准确性和物理一致性的联合优化。
在本文中，提出了一种新的自动化结构疲劳寿命评估的统一框架。该框架整合了三个核心元素，如图1所示：用于获取裂纹数据的YOLO检测器适用于多尺寸裂纹，集成SAHI辅助检测和实时位移场检测，以及用于金属裂纹扩展的背景数据。这旨在特别是提高细小裂纹尖端检测的准确性，输出具有匹配分辨率的数据。在预测模型设计中，使用了受断裂力学约束的PINN和贝叶斯推理的组合来生成具有量化不确定性的预测。最终框架包含了一个闭环贝叶斯样本细化机制，为模型更新提供及时的检测数据反馈。通过使用上述框架，减少了对人工检测的依赖，解决了自动化结构健康监测系统中的传统挑战，并提供了显著的空间分辨率、处理速度和预测可信度。
