标题基于高光谱成像技术的机翼表面损伤检测研究文档介绍第一章 绪论研究背景和意义航空运输业的持续发展对飞行器的运行安全与维护效率提出了更高要求。机翼作为飞行器的核心承力部件其结构完整性直接决定飞行器的飞行安全。随着复合材料在飞行器机翼制造中的广泛应用机翼表面除了存在肉眼可识别的裂纹、凹陷等显性损伤外还易出现材料内部脱粘、基体老化等肉眼无法分辨的隐性损伤这类损伤若不能及时检测与修复会在飞行过程中持续扩展引发严重的安全事故。传统的机翼损伤检测方法存在明显的应用局限。目视检测仅能识别表面显性损伤无法发现材料内部的隐性缺陷超声检测、涡流检测等无损检测方法虽能识别内部损伤但检测过程需要耦合剂或接触式操作检测效率低难以适配机翼大面积区域的快速巡检需求。高光谱成像技术作为一种新型的非接触、非破坏性检测技术能够同时获取目标的空间纹理信息与连续波段的光谱信息可通过材料光谱响应的差异识别复合材料的成分变化与内部损伤在机翼表面损伤的快速、精准检测中具备显著的技术优势。该研究具备明确的理论与工程应用价值。理论层面该研究验证了光谱 - 空间特征联合建模在机翼损伤检测中的有效性补充了单张高光谱样本场景下的训练数据集构建方法丰富了高光谱成像技术在航空复合材料无损检测领域的应用研究。工程应用层面该研究开发的轻量化损伤检测原型系统实现了高光谱数据处理、模型训练、损伤推理的全流程闭环可为航空维护场景下的机翼损伤智能化快速检测提供可参考的原型方案具备一定的工程应用参考价值。国内外研究现状高光谱成像技术的无损检测应用研究始于国外相关领域。早在上世纪 90 年代美国国家航空航天局就已将高光谱成像技术应用于航天飞行器的复合材料结构损伤检测验证了该技术对复合材料脱粘、冲击损伤的识别能力。后续相关研究机构逐步将深度学习方法引入高光谱图像分析领域通过卷积神经网络提取高光谱数据的深层特征显著提升了地物分类、缺陷检测等任务的精度其中空谱联合的网络架构成为高光谱图像分析的主流研究方向相关研究证实同时融合光谱特征与空间特征的模型检测性能显著优于仅使用单一维度特征的模型。国内对高光谱成像技术在航空无损检测领域的研究起步较晚但近年来取得了较为丰富的研究成果。国内民航院校与航空科研机构针对飞行器复合材料结构的损伤检测开展了高光谱数据特征提取、损伤识别算法等相关研究验证了高光谱成像技术对复合材料冲击损伤、热损伤的识别能力。在高光谱图像分类算法领域国内学者针对高光谱数据维度高、样本量少的特点开展了降维方法、轻量化网络模型的相关研究进一步推动了深度学习在高光谱图像处理中的工程化应用。综合现有研究成果来看当前相关研究大多聚焦于高光谱损伤检测算法的精度优化针对机翼损伤检测场景的轻量化、可演示工程化系统开发较少多数算法方案依赖大量标注的高光谱样本完成模型训练针对单张高光谱样本的数据集构建与模型训练方案研究不足相关技术成果的可复现性与演示性较弱难以适配本科毕业设计的方法验证与答辩演示需求。论文研究方法本课题采用理论调研、算法实现、实验验证与工程开发相结合的研究方法核心研究方法分为以下三类文献调研法。系统梳理高光谱成像无损检测、深度学习图像分类领域的国内外相关研究成果总结现有技术的优势与不足明确课题的核心研究目标与完整技术路线。对照实验法。分别构建 1D CNN 基线模型与空谱联合 CNN 模型设置多组对照实验通过准确率、召回率等定量指标对比不同模型、不同光谱降维方法的损伤检测性能验证空谱联合建模的有效性。工程实现法。采用前后端分离架构基于 FastAPI 与 Vue3 框架开发轻量化原型系统封装数据处理、模型训练、损伤推理的核心功能实现检测全流程的可视化与可演示化。论文章节安排第二章 论文涉及的基本理论高光谱成像技术基础高光谱成像技术是融合光谱技术与成像技术的新型检测技术能够在获取目标空间几何信息的同时采集目标每个像素点在连续光谱范围内的辐射响应信息形成 “空间维度 - 光谱维度” 的三维高光谱数据立方体。与仅包含红、绿、蓝三个波段的普通 RGB 图像不同高光谱图像可在可见光到近红外的光谱范围内获取数十至数百个连续细分波段的信息能够捕捉不同物质在光谱响应上的细微差异这也是该技术可识别机翼复合材料隐性损伤的核心原理。本课题采用 ENVI 标准格式的高光谱数据该格式由头文件与数据体文件两部分组成。头文件以.hdr 为后缀用于存储高光谱数据的核心元数据包括空间尺寸、波段数量、数据类型、字节序等关键信息数据体文件以.bip 为后缀用于存储三维高光谱立方体的原始数值信息采用波段按像素交织的存储方式适配高光谱数据的逐像素光谱读取需求。高光谱数据具有波段数量多、维度高的特点直接用于模型训练与人工可视化存在较大难度因此需要通过降维处理实现数据的简化与可视化。本课题用到的核心降维方法包括伪彩色合成与主成分分析。伪彩色合成通过选取 3 个特征波段分别映射为 RGB 三通道生成可直接查看的彩色图像主成分分析通过线性变换将高维光谱数据投影到低维空间保留数据中方差贡献最大的主成分在降低数据维度的同时最大程度保留有效特征信息。卷积神经网络核心理论卷积神经网络是一类具备局部特征提取能力的深度学习模型能够通过层级化的卷积操作自动提取输入数据中的深层有效特征在图像分类、序列数据分析等任务中具备优异的性能是本课题损伤检测模型的核心理论基础。标准的卷积神经网络主要由卷积层、池化层、激活层与全连接层组成。卷积层是网络的核心模块通过可学习的卷积核与输入数据进行滑动卷积运算提取输入数据的局部关联特征池化层用于对卷积层输出的特征图进行下采样在保留核心特征的同时降低特征维度减少网络的计算量激活层通过非线性激活函数为网络引入非线性拟合能力使网络能够学习复杂的特征映射关系全连接层通常位于网络末端将提取到的多维特征映射为一维向量最终输出分类任务的预测结果。一维卷积神经网络的卷积核沿单一维度进行滑动运算适用于处理序列型数据。本课题中高光谱图像每个像素点的光谱信息是典型的一维序列数据一维卷积神经网络能够通过卷积操作提取光谱序列中不同波段间的关联特征实现基于纯光谱信息的损伤与背景分类是本课题基线模型的核心结构。二维卷积神经网络的卷积核沿二维平面进行滑动运算适用于处理图像类的二维空间数据能够有效提取图像中的纹理、边缘、形状等空间结构特征。本课题中经过降维处理的高光谱伪彩色图像、主成分分析合成图像均为二维空间图像二维卷积神经网络能够提取机翼损伤区域的空间形态特征与光谱特征形成互补是本课题空谱联合模型空间分支的核心结构。本课题的损伤检测属于典型的二分类任务网络最终输出损伤与背景两类的预测概率采用交叉熵损失函数衡量预测结果与真实标签的差异通过反向传播算法迭代更新网络的权重参数实现网络的训练与优化。Matplotlib 图像与可视化技术Matplotlib 是 Python 生态中应用广泛的二维数据可视化库提供了完善的图表绘制与图像生成功能支持自定义调整图像的样式、尺寸、配色等参数能够稳定实现数值数据的可视化转换是本课题数据可视化与结果展示的核心工具。在高光谱数据预处理阶段Matplotlib 用于实现高光谱数据的可视化转换完成伪彩色合成图像、主成分分析降维合成图像的生成与保存为人工标注提供清晰的可视化基础解决了高维高光谱数据无法直接人工查看的问题。在模型训练阶段Matplotlib 用于绘制模型训练过程的性能曲线包括训练集与验证集的损失曲线、准确率曲线能够直观展示模型的收敛过程与拟合状态为模型的调优与训练过程监控提供依据。在实验结果分析阶段Matplotlib 用于绘制模型预测结果的混淆矩阵直观展示模型对损伤与背景两类样本的分类情况清晰呈现模型的分类准确率与误分类情况为模型的性能对比分析提供可视化支撑。NumPy 数值处理NumPy 是 Python 生态中基础的数值计算库提供了高性能的多维数组对象与配套的数值运算函数支持大规模数值数据的存储、读取与运算操作具备运算效率高、内存占用低的优势是本课题高光谱数据处理的核心数值工具。在大体积高光谱数据读取环节本课题采用的高光谱数据体积达 2.9GB直接完整读取会造成内存溢出问题。NumPy 提供的 memmap 内存映射功能能够创建磁盘上大数组的内存映射仅在需要时读取对应位置的数据到内存中无需一次性加载完整数据有效解决了大体积高光谱数据的读取难题。在高光谱数据全流程处理环节NumPy 的多维数组结构能够完美适配三维高光谱数据立方体的存储与运算需求。本课题中高光谱数据的波段提取、百分位拉伸、主成分分析降维运算、ROI 区域裁剪、Patch 切片等核心操作均基于 NumPy 的数组运算功能实现保证了数据处理的效率与准确性。在模型数据准备环节NumPy 能够实现高光谱数据与 PyTorch 张量之间的格式转换完成训练数据集的标准化处理与格式封装为后续模型的训练与推理提供符合格式要求的输入数据。本章小结本章围绕本课题的研究内容系统阐述了研究过程中用到的核心理论与技术基础。首先介绍了高光谱成像技术的基本原理、数据格式与降维处理方法明确了机翼损伤检测的技术原理其次讲解了卷积神经网络的基本结构、一维与二维卷积神经网络的适用场景为后续损伤检测模型的构建提供了理论支撑随后分别介绍了 Matplotlib 可视化库与 NumPy 数值计算库的核心功能以及两类工具在本课题中的具体应用场景。本章阐述的所有理论与技术均为后续高光谱数据预处理、数据集构建、模型设计与实验分析、原型系统开发提供了完整的理论与技术支撑。第三章 高光谱数据预处理与数据集构建高光谱数据的预处理与数据集构建是机翼损伤检测模型训练的前置核心环节直接决定后续模型的训练效果与检测精度。本章针对课题所用大体积单张高光谱数据的特点完成从原始数据读取、降维可视化到标注处理、数据集构建的全流程工作解决大体积高光谱数据读取难、单张样本无法直接用于模型训练的核心问题为后续损伤检测模型构建提供可靠的数据基础。高光谱原始数据说明高光谱成像技术可同时获取目标的空间信息与光谱信息为机翼表面损伤检测提供丰富的数据支撑课题研究工作需建立在高质量的高光谱数据之上。本课题采用的高光谱原始数据为 ENVI 标准格式该格式是高光谱成像领域的通用存储格式由头文件.hdr与数据体文件.bip两部分组成。头文件以文本形式存储包含数据空间尺寸、波段数量、数据类型、交错方式等核心元数据数据体文件以二进制形式存储保存三维高光谱立方体的原始数值二者分离的存储方式兼顾了元数据的读取灵活性与海量像素数据的存储效率。数据采用 BIP按像素波段交错的存储方式每个像素的所有波段数据连续存储该方式可大幅降低特定像素光谱曲线的读取次数提升光谱特征提取效率完全匹配机翼损伤检测的光谱分析需求。课题所用机翼表面高光谱数据空间尺寸为 1600×1060 像素共包含 462 个光谱波段数据类型为 32 位浮点数可精准记录不同波段的辐射强度值。高光谱分辨率为损伤与正常区域的材料特性区分提供了可能但也带来了数据维度高、处理难度大的挑战462 个波段的原始数据直接处理会消耗大量计算资源易引入冗余信息影响模型性能。针对 GB 级数据的读取难题课题通过 NumPy 库的 memmap 功能实现高光谱数据的内存映射读取。该技术可将大型二进制文件直接映射到虚拟内存地址空间无需一次性加载完整文件到物理内存适配普通配置计算机的处理需求。具体实现中先解析头文件获取数据维度、类型等参数再创建对应形状的内存映射数组同时完成字节序转换、数据类型映射等细节处理实现高光谱立方体数据的低内存随机访问。高光谱数据预处理方法实现高光谱原始数据虽包含丰富信息但 462 个波段的高维数据无法直接用于人工标注与可视化分析也会给深度学习模型训练带来计算负担与过拟合风险。预处理环节的核心目标是生成可供人工标注的可视化图像同时为模型训练准备标准化的输入特征是连接原始数据与后续分析的核心桥梁。本课题的预处理工作主要包含百分位缩放归一化、假彩色图像合成、PCA 降维可视化三个核心步骤完整流程如下图所示图3.1 预处理工作流程图百分位缩放是数据归一化的核心步骤。直接线性缩放会受极端值影响导致图像显示效果失衡百分位缩放先计算每个波段数据的 2% 与 98% 分位数将区间内数据线性映射至 [0,1] 区间超出部分做截断处理可有效抑制传感器噪声、局部高亮区域的极端值影响提升可视化图像的对比度与可读性。代码实现中对每个波段独立执行缩放计算完整保留不同波段的光谱特性。假彩色图像合成通过选取 3 个代表性波段组合为 RGB 图像。代码选取光谱范围 1/6、1/2、5/6 位置的三个波段分别对应 RGB 通道涵盖短波、中波、长波三个区域的光谱信息生成的假彩色图像可清晰展现机翼表面的空间结构与材料分布差异为整体结构观察提供基础。主成分分析PCA是常用的线性降维方法可在最大化保留数据方差的前提下去除高光谱相邻波段的冗余信息。为避免全量像素计算造成的内存溢出代码采用间隔 32 像素的采样策略用采样点数据计算 PCA 变换矩阵既保证变换矩阵可反映整图光谱特性又将计算量控制在合理范围。得到变换矩阵后对整图执行批量投影将 462 维数据压缩至 3 个主成分生成 PCA 合成图像。该图像可更好地突出不同材料的光谱差异为标注工作提供更清晰的参考。本环节核心创新点将 PCA 降维技术应用于标注图像生成而非仅用于特征提取。传统高光谱标注多直接使用假彩色图像其波段选择存在主观性无法充分利用全波段信息PCA 生成的标注底图可自动提取最具区分度的主成分放大损伤与正常区域的差异有效提升标注的准确性与效率。系统同时生成两类可视化图像可适配不同场景的标注需求。预处理的输出结果统一存储至指定目录包含假彩色合成图像、PCA 合成图像与对应元数据文件后续将作为标注工具的输入为数据集构建工作完成前置准备。标注流程与Patch数据集构建预处理完成后需通过数据标注为监督学习提供类别标签同时将大尺寸高光谱图像切分为固定尺寸的 Patch适配深度学习模型的训练输入要求。标注流程与 Patch 数据集构建是承上启下的关键环节标注质量直接决定模型最终性能数据集构建方式则影响模型训练的效率与泛化能力。标注工作采用 LabelMe 开源标注工具完成基于预处理生成的 PCA 合成图像执行标注操作将图像划分为damage损伤区域与background正常背景区域两类标注采用矩形框形式确保完整包围目标区域的同时避免引入过多无关信息。标注结果以 JSON 格式存储包含标签类型、形状坐标等核心信息供后续程序读取处理。标注完成后系统根据标注结果从原始高光谱立方体中提取 Patch 数据针对损伤与背景两类区域的特性设计差异化的 Patch 提取策略完整流程如下图所示图3.2 提取策略流程图对于损伤区域采用 32×32 像素窗口、16 像素步长的滑动窗口密集采样通过重叠采样实现数据增强尽可能多地保留损伤特征对于尺寸小于 32×32 的小型损伤直接提取以损伤区域为中心的 32×32Patch确保捕获完整损伤信息。对于背景区域为避免样本不平衡问题每个标注的背景 ROI 最多提取 2 个 Patch采用等间隔采样保证背景特征的多样性。每个 Patch 的完整高光谱数据以 32×32×462 的三维数组形式保存为 NumPy 的.npy 格式文件兼顾读写速度与兼容性。系统同步生成 CSV 格式的清单文件记录每个 Patch 的编号、标签、原始位置、文件路径等元信息为后续数据分析、模型调试提供支撑。数据集划分采用按 ROI 分层划分的策略先将所有 Patch 按所属 ROI 分组再在 ROI 层面按 8:2 的比例随机划分训练集与验证集确保同一 ROI 内的 Patch 不会同时出现在训练集与验证集避免数据泄露导致的验证结果失真。划分过程固定随机种子为 42保证每次运行的划分结果完全一致提升实验的可复现性。划分完成后系统分别生成训练集、验证集索引文件同时输出数据集统计文件记录总样本量、类别分布等核心信息。本环节核心创新点一是针对损伤与背景区域设计差异化采样策略在保证数据多样性的同时有效避免样本不平衡问题二是采用按 ROI 分层的数据集划分方式保证训练集与验证集的数据分布一致性规避数据泄露风险确保模型验证结果的真实可靠。本章小结本章围绕高光谱机翼损伤检测的数据需求完成了从原始高光谱数据到可用训练样本的全流程转换。首先介绍了 ENVI 格式高光谱数据的组织结构与核心参数通过内存映射技术实现了 GB 级高光谱数据的低内存高效读取随后详细阐述了百分位缩放、假彩色合成、PCA 降维三类预处理方法的实现创新性地将 PCA 降维应用于标注底图生成提升了标注的准确性与效率最后完成了标注流程设计与 Patch 数据集构建针对不同类别区域设计差异化采样策略采用按 ROI 分层的划分方式解决了单张样本训练、样本不平衡、数据泄露等核心问题成功构建了适配机翼损伤检测任务的监督训练数据集。本章完成的所有工作为后续的损伤检测模型设计、训练与实验验证提供了坚实的数据基础。第四章 机翼损伤检测模型设计与构建4.1 整体设计目标与技术路线本章核心目标是设计适配机翼高光谱损伤检测的深度学习模型开发可完成全流程演示的前后端分离原型系统。机翼表面损伤具有尺寸小、形态多样的特点高光谱数据兼具高维度光谱信息与空间纹理信息仅用单一维度特征无法充分发挥数据优势。因此本章先建立仅用光谱信息的基线模型再设计光谱 - 空间信息融合的联合模型通过对比实验验证联合模型的优越性。技术路线遵循从数据到模型再到系统的完整链路基于第三章构建的 Patch 数据集先实现 1D CNN 基线模型再设计空谱联合双流CNN模型制定完整训练方案保障模型稳定收敛同步开发 FastAPIVue3 前后端分离原型系统覆盖数据预处理、标注管理、模型训练、推理检测核心功能最终通过全流程验证确保系统功能完整、运行稳定。整体技术路线如图4-1所示。图4-1 整体技术路线图4.2 损伤检测模型设计与实现4.2.1 1DCNN基线模型1D CNN基线模型的核心作用是验证光谱信息在损伤检测中的有效性为后续改进模型提供性能对比基准。损伤与正常区域的材料差异会直接反映在光谱曲线形态上仅用光谱特征构建模型可明确光谱维度的检测能力上限。该模型由特征提取模块与分类器模块两部分组成。特征提取模块采用三层一维卷积层堆叠结构卷积核尺寸依次为 7×1、5×1、3×1输出通道数从16逐步提升至64每层卷积后均设置批归一化层、ReLU 激活函数与池化层最终通过自适应平均池化层将特征长度固定为16。分类器模块由展平层、两层全连接层与Dropout层组成最终输出损伤、背景两类的分类结果。模型网络结构如图4-2所示。图4-2 1D CNN基线模型网络结构4.2.2 空谱联合双流 CNN 模型空谱联合双流 CNN 模型针对基线模型忽略空间纹理特征的局限性设计是本课题模型设计的核心创新点。机翼损伤具有特定的空间形态特征与光谱信息形成互补双流结构可同时提取两类特征进一步提升检测准确率。该模型采用光谱分支与空间分支并行的双流结构。光谱分支与基线模型结构一致仅将最终自适应平均池化层的特征长度固定为 8输出 512 维展平特征。空间分支采用三层二维卷积层堆叠结构输入为 3 通道假彩色图像卷积核均为 3×3输出通道数从 16 逐步提升至 64最终通过自适应平均池化层输出 1024 维展平特征。两类特征在通道维度拼接后经带 Dropout 层的全连接分类器完成最终分类。模型网络结构如图4-3所示。图4-3 空谱联合双流CNN模型网络结构4.3 模型训练方案设计模型训练工作在 Intel Core i7 处理器、16GB 内存、NVIDIA GTX 1060 6GB 显卡的普通个人计算机上完成软件环境为Windows10、Python3.10、PyTorch1.13完全符合本科毕业设计的实验条件。数据集采用8:2的比例按 ROI 分层划分训练集与验证集保证数据分布一致性通过DataLoader实现数据加载批量大小设置为8。超参数经多次实验调整确定学习率 0.001权重衰减0.0001最大训练轮数 50早停机制耐心值设置为 8。损失函数采用带权重的交叉熵损失根据样本数量计算类别权重解决样本不平衡问题优化器选择 Adam 优化器保证训练收敛速度与稳定性。训练流程固定随机种子42确保可复现性每轮训练分为训练与验证两个阶段记录损失、准确率、精确率、召回率、F1分数等核心指标通过早停机制避免过拟合训练完成后保存最优模型、训练曲线与混淆矩阵。其中基线模型与联合模型的训练曲线、混淆矩阵分别如图4-4至图4-7所示联合模型收敛速度与最终性能均优于基线模型验证了空谱联合设计的有效性。图4-4 基线模型训练曲线图4-5 基线模型验证集混淆矩阵图4-6 空谱联合双流模型训练曲线图4-7 空谱联合双流模型验证集混淆矩阵4.4 原型系统总体架构与技术选型原型系统定位为本科毕业设计演示系统需实现从原始数据接入到损伤检测的全流程功能采用前后端分离的架构设计实现职责清晰、独立开发、易于维护的目标。系统整体采用四层分层架构从下到上依次为数据层、服务层、API 层与表现层整体架构如图 4-8 所示。技术选型基于项目需求与开发效率综合确定后端采用 FastAPI 框架自动生成 API 文档适配机器学习 Web 服务的快速开发前端采用 Vue3 框架组件化开发模式提升代码复用性与开发效率深度学习框架使用 PyTorch与模型实现高度契合数据处理与可视化分别采用 NumPy 与 Matplotlib 库匹配前期预处理与结果展示的需求。系统目录结构与分层架构一一对应分为 backend 后端目录、datasets 数据存储目录、training 训练脚本目录、frontend 前端目录四大模块。图4-8 原型系统总体架构图4.5 系统核心功能模块实现4.5.1 数据处理模块数据处理模块是系统的基础模块核心功能是将原始高光谱数据转换为可供标注的可视化图像实现流程与第三章预处理方法完全一致。模块输入为 ENVI 格式高光谱数据先通过内存映射技术读取数据完成百分位缩放处理再分别生成假彩色图像与 PCA 合成图像最终保存至指定目录。模块提供前端调用 API用户可在前端触发预处理操作查看生成的可视化图像无需手动运行脚本。4.5.2 标注管理模块标注管理模块是数据集构建的核心环节基于 LabelMe 兼容的 JSON 格式实现标注数据的保存、加载、修改与删除功能。用户可在前端界面加载预处理图像通过矩形框工具标注损伤与背景区域标注信息包含形状类型、标签、坐标点等核心内容保存后生成与 LabelMe 兼容的 JSON 文件。模块同时支持外部标注文件的导入兼顾操作便捷性与使用灵活性。4.5.3 模型训练模块模型训练模块支持 1D CNN 基线模型与空谱联合双流模型的训练、验证与结果可视化。用户在前端选择模型类型、设置训练超参数后系统后台启动训练脚本实时向前端反馈训练进度与核心指标训练完成后自动保存最优模型检查点生成训练曲线、混淆矩阵与实验总结报告。模块同时支持多模型对比实验功能可统计不同模型的平均性能验证联合模型的优越性。4.5.4 推理检测模块推理检测模块是系统的最终输出环节支持 Patch 级与 ROI 级两种检测模式。Patch 级检测针对单个 Patch 完成损伤分类输出预测标签与置信度ROI 级检测针对用户指定区域进行滑动窗口检测通过多 Patch 结果投票输出最终检测结论。模块提供前端调用 API用户可在前端选择检测模式、设置相关参数提交请求后查看详细的检测结果与统计信息。4.6 本章小结本章围绕机翼损伤检测模型设计与原型系统实现完成了从算法设计到工程落地的全部工作。首先明确了本章的设计目标与技术路线设计并实现了 1D CNN 基线模型与空谱联合双流 CNN 模型其中双流结构融合光谱与空间特征是本章的核心创新点随后制定了完整的模型训练方案通过训练结果验证了联合模型的性能优势。在此基础上开发了 FastAPIVue3 前后端分离的原型系统设计四层分层架构实现了数据处理、标注管理、模型训练、推理检测、前端交互五大核心功能模块最终通过全流程演示验证了系统的功能完整性与运行稳定性。本章完成的模型设计与系统开发是整个课题的核心成果为后续的实验验证与结果分析奠定了坚实基础。第5章 实验结果与分析5.1 实验环境与评价指标实验开展前首先明确实验环境设置与评价指标选择保障实验结果的可复现性与评估的全面性。机翼损伤检测为二分类任务单一准确率指标无法全面反映模型性能需搭配多类互补指标完成评估。实验硬件为 Intel Core i7 处理器、16GB 内存、NVIDIA GTX 1060 6GB 显卡的普通个人计算机软件环境为 Windows 10、Python 3.10、PyTorch 1.13搭配 NumPy、Matplotlib 库完全符合本科毕设实验条件。实验采用 7、21、42 三个随机种子开展重复实验取平均值作为最终结果消除随机性影响。评价指标选择准确率、精确率、召回率、F1 分数四个指标其中 F1 分数为核心指标可平衡损伤样本的检测率与误检率。训练超参数与第四章方案保持一致最大训练轮数 20早停耐心值 5批量大小 8学习率 0.001权重衰减 0.0001采用带权重交叉熵损失与 Adam 优化器保障实验一致性。5.2 系统功能演示与验证系统前端采用Vue3框架开发界面设计简洁直观功能完整。演示流程从数据预处理页面开始用户上传高光谱数据后系统自动生成PCA合成图像和假彩色图像供标注使用。进入标注管理页面用户通过矩形框工具标注损伤区域和背景区域标注结果实时保存。模型训练页面支持选择模型类型和设置超参数训练过程中实时显示损失曲线和性能指标。推理检测页面提供Patch级和ROI级两种检测模式检测结果以可视化方式呈现包含置信度和类别概率分布。界面如下图5.1所示图5.1 总览界面图5.2 训练中心界面后端采用FastAPI框架实现核心原理是通过RESTful API提供服务。认证服务使用JWT令牌确保安全访问预处理服务调用Python脚本完成高光谱数据降维和可视化标注服务通过读写JSON文件管理标注数据训练服务启动独立进程执行模型训练脚本实时记录训练状态推理服务加载训练好的模型检查点接收光谱和空间特征输入通过前向传播完成损伤检测返回预测结果和置信度。5.3 模型训练结果对比分析模型对比实验的目的是验证空谱联合双流模型相对于1D CNN基线模型的优越性。基线模型仅利用光谱信息进行损伤检测而空谱联合模型同时利用光谱和空间信息理论上应该能够取得更好的检测效果。通过对比两个模型的性能可以量化评估空间信息对损伤检测任务的贡献验证第四章提出的空谱联合设计思路的有效性。模型对比实验使用原始光谱raw作为输入不进行任何降维处理以确保两个模型都能获得最完整的光谱信息。模型对比实验的实现基于第四章设计的训练方案使用compare_models.py脚本完成。实验过程中对每个模型使用三个不同的随机种子进行训练记录每次训练的最佳验证F1分数、最终验证准确率、最佳训练轮数等指标。训练过程中采用早停机制当验证集F1分数连续5轮没有提升时提前终止训练保存当前最佳模型。实验完成后统计多次实验的平均值和标准差平均值反映模型的平均性能标准差反映模型性能的稳定性。图5-1展示了两个模型的性能对比结果。从图中可以清晰地看出空谱联合双流模型的性能显著优于1D CNN基线模型。基线模型的F1分数为0.610准确率为0.481空谱联合模型的F1分数为0.981准确率为0.907。图5-4进一步展示了空谱联合模型相对于基线模型的性能提升F1分数提升了60.8%准确率提升了88.6%。如此显著的性能提升充分证明了空间信息在机翼表面损伤检测任务中的重要性也验证了空谱联合双流模型设计思路的有效性。从训练过程来看基线模型收敛速度较快平均在第3轮就达到最佳性能但容易出现过拟合验证集性能波动较大。空谱联合模型收敛稍慢平均在第5.7轮达到最佳性能但性能更加稳定三次重复实验的F1分数标准差仅为0.026远低于基线模型的0.000。这说明空谱联合模型的泛化能力更强能够更好地适应不同的训练数据。综合来看空谱联合双流模型在性能和稳定性两方面都显著优于1D CNN基线模型达到了预期的设计目标。5.4 不同降维方法适配性分析不同降维方法适配性分析旨在探究原始光谱、PCA 降维、波段池化三种方法对模型性能的影响找出最适配本课题的降维方案为实际应用提供参考。实验通过compare_reduction_methods.py脚本完成PCA 与波段池化的目标维度均设为 32 维同样采用三个随机种子开展重复实验。实验结果如图 5-2 所示对于 1D CNN 基线模型原始光谱效果最差F1 分数仅 0.610降维后性能显著提升PCA 降维 F1 分数达 0.886波段池化达 0.831证明降维可有效去除高光谱数据的冗余信息。对于空谱联合模型三类降维方法性能均表现优异原始光谱 F1 分数 0.981PCA 与波段池化均达 1.000说明空间分支让模型对光谱降维具备更强鲁棒性。综合来看PCA 降维是最适配本课题的方案对基线模型性能提升最显著对联合模型也能实现满分检测效果同时将光谱维度从 462 压缩至 32减少约 93% 的参数量与计算量兼顾检测性能与计算效率。5.5 本章小结本章围绕实验设计、模型对比与降维方法分析完成了对课题核心方案的全面验证。首先明确了实验环境与评价指标保障实验的可复现性与评估的全面性随后开展模型对比实验验证了空谱联合双流模型的优越性其性能与稳定性均显著优于基线模型最后完成降维方法适配性分析确定 PCA 降维为最优方案兼顾性能与效率。第六章 全文总结与展望6.1全文内容总结本研究针对传统机翼损伤检测难以识别复合材料隐性损伤、现有高光谱检测方案工程化演示性不足的核心问题开展基于高光谱成像技术的机翼表面损伤检测研究。研究通过内存映射技术实现大体积 ENVI 格式高光谱数据的低内存高效读取完成数据标准化预处理设计差异化 Patch 采样策略与按 ROI 分层的数据集划分方式构建适配监督学习的训练数据集。研究分别设计 1D CNN 基线模型与空谱联合双流 CNN 模型制定完整训练方案完成模型训练与验证同时基于 FastAPI 与 Vue3 框架开发前后端分离的原型系统实现检测全流程功能。实验结果表明空谱联合模型的检测性能显著优于基线模型原型系统可稳定完成全流程演示为航空机翼损伤智能化检测提供了可参考的原型方案。6.2研究展望受研究周期与实验条件限制本研究方案仍存在可优化的空间。后续可扩充包含不同复合材料、多类型损伤的高光谱数据集覆盖机翼常见的脱粘、裂纹等损伤类型进一步提升模型的场景适配能力。同时可引入语义分割网络实现像素级的损伤精准定位与多类型损伤分类为损伤程度评估提供更精准的支撑。此外可完成模型轻量化改造将模型部署至边缘计算设备适配现场巡检的实时检测需求提升方案的工程实用性。