航空发动机涡轮叶片中冷却孔的几何精度（图1(a)）对发动机效率、运行安全性和使用寿命至关重要（Bunker, 2005; Ekkad和Han, 2013; He和Bai, 2020）。这些微孔形成了一个保护性热屏障，其3D几何形状——特别是直径、喷射角度和深度与直径的比率——直接决定了冷却效果和发动机的最终可靠性（Ai等人，2023；Geng等人，2022；Z. Li等人，2024；Ramesh等人，2016）。然而，通过激光钻孔或电火花加工（EDM）进行精密加工常常会引入几何缺陷，如不规则的轮廓和过度的锥度（Biscaia等人，2019；Zhang等人，2023）。即使是微小的偏差也可能导致局部热点和叶片过早失效。因此，精确的3D测量不仅用于检测，还是航空航天制造业中自适应过程控制和性能保证的重要工具（Berdanier, Tien, & Thole, 2025；Z. Li等人，2015；Liu等人，2025）。
然而，由于冷却孔的数量庞大且内部几何结构复杂（图1(b)-(c)所示），满足这些测量需求具有挑战性。基于接触的方法，如塞规，不适合密集孔阵列所需的高吞吐量检测；它们速度太慢，无法在线集成，并且有可能损坏脆弱的叶片表面（Elfurjani, Ko, & Jun, 2016）。传统的非接触方法，如视觉模板比较（Ma, Yu, & Wang, 2014）或基本的机器视觉（Cheng等人，2021；Golparvar-Fard等人，2013；Singh等人，2024），通常只能提供定性的合格/不合格结果。这些技术缺乏提供全面描述复杂内部轮廓及其制造偏差所需的定量3D数据的能力。这种测量差距成为自适应过程控制的关键瓶颈，阻碍了使用实时数据调整制造参数（如激光功率和脉冲持续时间）的闭环反馈系统的实施。
“从焦点恢复形状”（SFF）作为一种有前景的非接触式测量技术已经出现，但其应用于冷却孔等工业部件时却面临明显的挑战（Nayar & Nakagawa, 2002）。传统的SFF方法依赖于手工制作的焦点操作符，在这些孔的光滑、低纹理金属表面上根本无法有效工作。由于缺乏明显的梯度，这些传统方法存在“纹理问题”，导致重建结果噪声大且不可靠（Mahmood和Choi, 2012；Muhammad和Choi, 2012；Pertuz等人，2013b）。虽然深度学习的出现通过在无纹理区域提取鲁棒特征在很大程度上解决了这个问题，但它引入了一个语义歧义问题。通用的深度SFF模型通常是为自然场景训练的，缺乏区分真实几何边缘和光学伪影（如镜面高光）的领域特定理解。对于这些模型，这两种现象都会产生高频信号，这些信号被无差别地解释为对焦的，从而导致高精度测量中不可接受的几何不准确。这种无法区分有意义结构和光学噪声的能力构成了一个语义差距，阻碍了深度学习SFF在苛刻工业环境中的应用。
本文介绍了FS-SFF，这是一个专门设计的领域特定智能测量框架，旨在弥合这一语义差距并提供可靠的测量结果。FS-SFF不仅仅是一个重建算法，而是一个完整的端到端自动化质量控制解决方案。首先，FS-Net通过专门的协同注意力嵌入（Synergistic Attention Embedding，SAE）模块整合了物理成像先验。该模块学会了解决结构和噪声之间的歧义，确保重建的几何形状基于有效的物理特征。其次，在系统层面，FS-SFF结合了一个基于规则的工程决策模块，能够将高保真度的3D点云自动转换为可操作的工程参数，并将其与航空航天公差进行比较。通过解决重建的语义歧义并自动化下游分析，FS-SFF提供了从原始图像到质量控制结论的简化路径，为高精度航空航天制造业中的自动化质量控制提供了可靠的解决方案。为了便于阅读和参考，附录A中的表A1提供了本文中使用的所有符号和缩写的完整术语表。
本研究的主要贡献有四个方面：
(1)一个3D测量框架（FS-SFF），它集成了自动化数据采集、基于深度学习的强大重建和航空发动机冷却孔的定量工程参数分析。
(2)一个新型重建引擎（FS-Net），具有专门设计的模块，可以从图像堆栈中学习鲁棒、上下文感知的焦点表示。
(3)一个新的公共基准数据集（航空发动机冷却孔图像系列数据集[ACHIS数据集]），包含高分辨率的航空发动机冷却孔图像堆栈，以促进该领域的标准化评估和未来研究。
(4)广泛的实验验证表明，我们的框架在3D重建和几何参数量化方面达到了最先进的精度，验证了其在自动化工业检测中可靠应用的潜力。
