一种基于混合逻辑特征提取技术的改进型飞机机身缺陷检测模型

《IEEE Transactions on Artificial Intelligence》：An Enhanced Aircraft Fuselage Defect Detection Model With Hybrid Logical-Feature Distillation

本文提出一种高效飞机机身缺陷检测模型，通过重构教师模型并引入混合逻辑特征蒸馏框架，在保持高精度的同时减少47.3%参数和53.9%计算复杂度，实验显示在mAP50和mAP50:95上分别提升8.3%和2.7%，优于传统YOLOv8n模型。

　　

影响声明：

飞机机身缺陷检测对于防止结构故障和确保乘客安全至关重要，然而现有方法在检测效果与计算资源之间面临着严峻的权衡...显示更多

摘要：

小缺陷会导致缺陷检测过程中丢失重要信息，提高这些微小缺陷的检测精度是一个广泛研究的方向，尤其是在开发既能实现高精度又能保持模型复杂度低的检测网络方面。为了在精度和效率之间取得平衡，本文提出了一种高效的飞机机身缺陷检测模型。首先，我们重构了一个由并行主干网络和Aux_IoU组成的教师模型。这种重新设计通过改进特征提取网络的表征能力和实现细粒度边界框来增强对小缺陷的检测能力。其次，为了在保持高精度的同时降低教师模型的复杂度，我们引入了一种混合逻辑特征蒸馏框架。学生模型分别通过掩码生成蒸馏（MGD）和逻辑蒸馏来学习教师模型的特征信息和logits。最后，为了验证所提模型的有效性，我们在Aircraft_FuselageDET2023数据集上进行了实验。实验结果表明，与基线YOLOv8n相比，我们的学生模型在mAP50和mAP95上的检测精度分别提高了8.3%和2.7%。此外，与教师模型相比，该模型在参数数量和计算复杂度方面分别降低了47.3%和53.9%，同时还展示了0.5%和0.2%的提升。与主流的目标检测算法相比，我们的模型表现更为优越。

引言

检测飞机机身表面缺陷对航空安全和维护至关重要。作为重要的结构部件，机身表面确保了飞机的空气动力性能和完整性[1]。随着时间的推移，可能会出现各种缺陷，影响飞机的使用寿命和结构可靠性。因此，缺陷检测技术不断进化以有效应对这些挑战[2]。