基于改进YOLOv11n的飞机铆钉损伤视距自适应检测方法

夏正洪; 钟吉飞; 张军; 胡佳鑫; 杨磊; 黄明泽

doi:10.12404/j.issn.1671-1815.2506990

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (23) :10072-10079 DOI: 10.12404/j.issn.1671-1815.2506990

自动化技术、计算机技术

基于改进YOLOv11n的飞机铆钉损伤视距自适应检测方法

夏正洪 ¹ ,
钟吉飞 ¹^,^* ,
张军 ² ,
胡佳鑫 ² ,
杨磊 ¹ ,
黄明泽 ¹

作者信息 +

Aircraft Rivet Damage Detection Algorithm at Different Viewing Distances Based on Improved YOLOv11n

Author information +

文章历史 +

摘要

针对飞机铆钉损伤检测中因成像视距动态变化引发的特征分辨率衰减、尺寸变化及识别率显著下降等问题,提出一种基于改进YOLOv11n的飞机铆钉损伤视距自适应检测方法。首先,依托AirNet框架构建正负样本对学习退化表征空间,并利用退化先验信息引导修复网络,实现退化图像的特征分辨率恢复;其次,借助SCConv的空间与通道双路协同重构机制,抑制近距铆钉损伤特征的非关键背景,同时增强远距铆钉损伤的关键特征;然后,构建160×160高分辨率P2检测层,解决铆钉因拍摄距离波动导致的尺寸变化问题;最后,提出DySample距离感知卷积核形变映射函数,实现近距离局部采样对细节的保留,远距离铆钉损伤特征的上下文语义增强,从而有效提升铆钉损伤的识别率。通过自主构建的多视距飞机铆钉损伤数据集对改进算法效果进行验证,结果显示:改进算法精确率达92.1%、召回率达83.2%、mAP@0.5达89.6%,较基准模型YOLOv11n分别提升3.4%、6.4%、5.3%,验证了所提飞机铆钉损伤视距自适应检测方法的有效性。

Abstract

To address the issues of feature resolution attenuation, size variation, and significant decline in recognition rate caused by dynamic changes in imaging distance during aircraft rivet damage detection, a viewing-distance adaptive detection method based on improved YOLOv11n was proposed. Firstly, leveraging the AirNet framework, a degraded representation space was learned by constructing positive-negative sample pairs, and a restoration network guided by degradation priors was employed to recover feature resolution in degraded images. Secondly, the dual-path spatial and channel cooperative reconstruction mechanism of SCConv was utilized, non-critical backgrounds in close-range rivet damage features were suppressed while simultaneously enhancing critical features in long-range rivet damage. Thirdly, a high-resolution 160×160 P2 detection layer was constructed to resolve the problem of rivet size variations resulting from fluctuating shooting distances. Finally, the DySample distance-aware convolution kernel deformation mapping function was introduced, enabling local sampling at close range to preserve details while enhancing the contextual semantics of long-range rivet damage features. This effectively improved the recognition rate for rivet damage. The effectiveness of the improved algorithm was validated using a self-built multi-viewing-distance aircraft rivet damage dataset. Results demonstrate that the improved algorithm achieved a precision of 92.1%, a recall of 83.2%, and an mAP@0.5 of 89.6%, representing improvements of 3.4%, 6.4%, and 5.3% respectively compared to the baseline YOLOv11n model. These results verify the effectiveness of the proposed viewing-distance adaptive detection method for aircraft rivet damage.

Graphical abstract

关键词

航空安全 / 目标检测 / 铆钉损伤 / 卷积核形变映射 / 改进YOLOv11n

Key words

aviation safety / object detection / rivet damage / convolutional kernel deformation mapping / improved YOLOv11n

引用本文

引用格式 ▾

夏正洪, 钟吉飞, 张军, 胡佳鑫, 杨磊, 黄明泽. 基于改进YOLOv11n的飞机铆钉损伤视距自适应检测方法[J]. 科学技术与工程, 2026, 26(23): 10072-10079 DOI:10.12404/j.issn.1671-1815.2506990

XIA Zheng-hong, ZHONG Ji-fei, ZHANG Jun, HU Jia-xin, YANG Lei, HUANG Ming-ze. Aircraft Rivet Damage Detection Algorithm at Different Viewing Distances Based on Improved YOLOv11n[J]. Science Technology and Engineering, 2026, 26(23): 10072-10079 DOI:10.12404/j.issn.1671-1815.2506990

登录浏览全文

4963

注册一个新账户忘记密码

铆钉作为飞机结构中的关键连接元件,广泛用于各部件的牢固连接,承担载荷传递并保障结构稳定与完整,是飞机安全运行的重要基础^[1]。飞行过程中,飞机铆钉需承受气动载荷、惯性力、振动等复杂动态载荷^[2],同时受外界环境影响,易因应力疲劳、机械磨损或环境腐蚀等因素导致失效。一旦铆钉出现松动、脱落或腐蚀等损伤,极易引发局部结构失效^[3],甚至造成严重安全事故。因此,为确保飞机处于适航状态,机务工程师在每次飞行前执行绕机检查时,都会重点排查铆钉的松动、脱落和腐蚀等损伤情况。目前,飞机铆钉损伤检测主要依靠机务工程师目视检测或仪器辅助检测^[4];但目视检测^[5]工作负荷大、效率低,仪器辅助检测^[6]则因检测距离变化,易出现特征分辨率衰减、尺寸变化、铆钉缺陷识别率下降等问题。例如,视距缩短时背景干扰加剧,视距增大时特征模糊化。因此,探寻能自适应不同检测距离、精准高效且稳定的铆钉损伤检测方法,成为飞机智能维修领域亟待解决的关键问题。

近年来,随着深度学习技术的快速发展,基于YOLO(you only look once)系列算法^[7-10]的飞机铆钉检测方法在精度、效率与鲁棒性方面均取得显著提升。崔俊佳等^[11]提出自冲铆接偏铆缺陷的深度学习检测算法,通过构建YOLOv5s与ResNet18模型并结合Grad-CAM(gradient-weighted class activation mapping)可视化解释差异,显著提高了检测精度;魏英姿等^[12]提出一种基于改进YOLOv5模型的飞机蒙皮铆接装配缺陷检测方法,通过引入随机数据增强策略,有效提升了检测的精度与速度;李耀华等^[13]提出融合注意力机制的飞机蒙皮小目标检测算法,通过引入优化后的EMA(efficient multi-scale attention)注意力机制与小波降采样模块,进一步增强了小目标检测的精度;董芳媛等^[14]提出面向飞机蒙皮铆接质检的检测方法,通过采用高分辨率图像采集与多尺度特征提取技术,显著提升了铆接缺陷的检测效能。在铆钉分类与异常检测领域,夏正洪等^[15]提出基于深度学习的航空铆钉分类及异常检测方法,通过构建航空铆钉数据集并采用改进的YOLOv8模型,实现了对不同类型铆钉及其异常情况的高精度检测。可见,现有研究虽在飞机铆钉损伤检测的精度与分类性能上取得了显著进展,但尚未有效解决多视距场景下因成像分辨率与尺寸变化导致的检测稳定性下降问题,这在一定程度上限制了其实际工程应用的鲁棒性。

当前,航空维修检测领域正加速向智能化、自动化转型,逐步替代传统人工巡检模式。随着国产大飞机项目的推进与航空机队规模的扩大,对飞机结构健康监测技术的需求日益迫切。然而,在铆钉等微小结构件的自动化检测方面,仍存在视距适应能力不足、鲁棒性差、标准数据集缺乏等问题。此外,现有多数检测系统的验证场景多局限于固定视距,面向多视距动态场景的系统性检测方案相对匮乏。

因此,提出一种基于改进YOLOv11n的飞机铆钉损伤视距自适应检测算法。该算法以AirNet框架为基础,通过退化先验引导修复网络恢复退化图像的分辨率;采用SCConv(spatial and channel reconstruction convolution)双路协同重构策略,有效抑制近距铆钉的背景噪声,同时增强远距铆钉的关键特征;构建高分辨率P2检测层,以适配铆钉尺寸的动态变化;提出DySample距离感知卷积,优化近距细节的保留效果与远距语义的增强能力。该算法可实现对飞机铆钉损伤的高效精准识别与定位,旨在解决现有方法在视距变化时检测性能波动较大的问题,提升检测系统在实际工程环境中的适应性与可靠性,为飞机结构健康监测及飞行安全保障提供有力的技术支撑。

1 改进的YOLOv11n算法

YOLOv11n采用三级模块设计,由骨干网络、颈部网络及检测头三部分组成。骨干网络负责从输入图像中提取多层次特征,逐层处理原始图像像素;颈部网络负责融合和增强骨干网络输出的多尺度特征图,整合不同层次的信息,解决目标尺寸变化大的问题;检测头直接作用于颈部网络输出的融合特征图,负责目标的最终识别和定位。

飞机铆钉具有数量庞大且尺寸微小等特征。虽然YOLOv11n提升了小目标识别能力并整合层级化特征融合设计。但在面对不同视距检测需求时,其性能仍面临诸多挑战,如检测距离的动态变化会引发铆钉成像尺寸的偏移。近距离检测时,目标虽清晰可辨但分布高度密集且背景干扰复杂;远距离检测时,铆钉的成像分辨率迅速衰减,铆钉损伤特征信息极度微弱且易受噪声淹没。因此,为提高算法在不同视距场景下对飞机铆钉损伤特征的自适应检测性能,从骨干网络、颈部网络与检测头三方面对YOLOv11n进行改进,改进后的网络结构如图1所示。

1.1 基于AirNet的图像退化感知修复

AirNet无需预知图像具体损坏类型与程度,即可有效修复多种退化图像,其核心思想是对比退化编码器(contrastive degradation encoder,CDE)采用无监督对比学习策略,构建视距相关的退化表征空间。通过将同一铆钉损伤特征在近距离的高清成像与远距离的模糊成像作为负样本对,使网络学习距离敏感性退化规律;同时,利用相同距离且不同光照条件下的成像作为正样本对,强化对距离不变特征的提取能力,其核心目标函数表达式为

(1)

$L={L}_{R}+{L}_{C}$

(2)

${L}_{R}=\frac{1}{T}\sum _{i=1}^{T}\left|f\left({x}_{i}\right)-{y}_{i}\right|$

式中:L_R为真实标签与修复图像之间的重建损失;L_C为CDE的对比损失;T为样本总数;x_i为第i个退化图像;f(x_i)为对x_i修复后输出的恢复图像;y_i为未退化的原始图像。

对于给定的退化图像X,通过AirNet实现真实标签与修复图像之间的距离最小化。在此基础上,退化引导修复网络(degradation-aware restorer, DAR)借助CDE提取的退化特征Z,对整个修复过程实施动态引导。其降解引导组模块(cascade restoration block, CRB)整合了可变形卷积(deformable convolution, DCN),DCN依据Z自适应调整卷积核的采样位置,实现对关键区域的精准聚焦。空间特征变换层则利用Z调整中间特征的尺寸与偏移量,使网络处理模式与当前图像的特定退化特性形成紧密适配,最终实现图像质量的精细化提升。AirNet网络结构如图2所示。

1.2 基于SCConv的动态特征优化

SCConv是通过空间与通道双路协同重构,高效压缩卷积特征图中的冗余信息,如图3所示。其空间重构单元(spatial reconfiguration unit,SRU)利用注意力机制分离并重新校准空间特征,抑制非关键区域、增强重要区域,从而减少空间冗余。通道重构单元(channel reconfiguration unit,CRU)则采用分割、变换和融合策略,将特征图通道分割,对信息稀疏部分轻量处理、信息丰富部分深度处理,再自适应融合,有效合并冗余通道并提取判别特征。SRU与CRU协同工作,在不损失关键信息的前提下,动态优化特征表达,显著降低后续计算复杂度和参数量,提升算法的效率和性能。

其中,SCConv卷积分离操作为了区分特征图中空间信息丰富与匮乏的部分,利用归一化层的可训练比例因子α评估特征图的信息含量。对输入特征,进行标准化操作,表达式为

(3)

$Y=\alpha \frac{X-\mu }{\sqrt{{\sigma }^{2}+\epsilon }}+b$

式(3)中:μ和σ分别为均值和标准差;ε为保证除法稳定性的常数;b为可训练的仿射变换参数。

基于α计算归一化权重W_α,可反映不同通道的重要性。计算公式为

(4)$W_{\alpha}=\frac{\alpha}{\sum_{j=1}^{C} \alpha_{j}}, \quad j=1,2, \cdots, C$

1.3 基于P2层的小目标多视距检测增强

YOLOv11n基于P3、P4、P5特征层构建目标检测,用于优化小、中、大的目标识别性能。在飞机铆钉等微小目标的检测任务中,检测性能容易受到目标尺寸随距离变化的影响,表现出明显的不稳定性。具体而言,在近距离情况下,由于目标尺寸相对较大,检测难度较低;但随着距离增加,铆钉目标的尺寸会快速缩小,逐渐演变为极小尺寸目标。特别是在远距离场景下,目标尺寸极度缩小,现有检测方法对小尺寸目标的识别能力存在显著不足,这成为当前检测系统的主要技术瓶颈。

为此,引入了分辨率为160×160的更高P2小目标检测层。P2层凭借其更小的感受野和更高的空间分辨率,能够更精细地捕捉近距离铆钉的细节特征以及远距离铆钉的微弱像素信息,从而有效缓解因检测距离波动引起的铆钉尺寸变化大、特征模糊所导致的漏检和置信度不稳定的问题。

1.4 基于DySample的动态卷积核形变

对颈部网络进行改进,基于DySample动态上采样策略,提出一种距离感知的卷积核形变映射函数。该函数根据检测距离信号D动态调节参数,当D小于设定阈值时,生成微小尺度的卷积核偏移量,使采样范围高度收敛于目标局部邻域,通过局部高密度采样最大限度地保留输入特征图的高频细节信息并维持空间拓扑关系,有效避免纹理模糊;当D大于阈值时,通过卷积核产生大尺度空间偏移,突破传统卷积的局部邻域限制,将采样范围扩展至包含语义相关的上下文区域,从而增强远距离的语义信息传递,共同构建多尺寸特征融合网络,如图4所示。

原始规则采样网格的坐标定义,表达式为

(5)

${G}_{i,j}=\left(\frac{i+0.5}{h}\times 2-1,\frac{j+0.5}{w}\times 2-1\right)$

式(5)中:G_i_,_j为原始规则采样网格坐标;h和w分别为缩放后图像的长度和宽度。

静态与动态因子共同作用于偏移量O的范围控制,以保障采样过程的平滑性并最小化伪影。控制后的偏移量O与原始网格G叠加,产生动态采样网格S,表达式为

(6)$\left\{\begin{array}{l}S=G+O \\S_{i, j}=\left(G_{i, j}^{x}+\Delta x_{i, j}, G_{i, j}^{y}+\Delta y_{i, j}\right)\end{array}\right.$

式(6)中:S_i,j为动态采样网格中的坐标;${G}_{i,j}^{x}$为原始规则采样网格中第i行第j列点的横坐标;Δx_i,j为在x轴方向上的偏移量;${G}_{i,j}^{y}$为原始规则采样网格中第i行第j列点的纵坐标;Δy_i,j表示在y轴方向上的偏移量。

2 实验过程与分析

2.1 实验环境

实验采用NVIDIA GeForce RTX 4090D GPU与AMD EPYC 9754 128核处理器构成的异构计算单元,实现协同计算,运行环境部署于64位Windows 11操作系统,以Python 3.12作为开发语言,所使用的深度学习框架为PyTorch 2.3.0,搭配CUDA 11.8,相关训练参数如表1所示。

2.2 实验数据集

为解决飞机铆钉损伤特征因检测距离变化导致的识别稳定性问题,构建了具有距离参数化特征的数据集。数据采集在中国民用航空飞行学院、广汉机场及飞机修理厂开展,选用塞斯纳172R、TB-20等通航训练机型的机身铆钉损伤区域作为研究对象。采用海康威视MV-CU013-A0GM工业相机,其分辨率为1 280×1 024像素。通过控制相机与飞机铆钉的垂直距离,设置0.5、1.0、1.5 m三种视距采集位,每种距离梯度均采集了918张原始图像,含晴天、阴雨、室内照明等多种光照环境,以及正视、斜视、俯视三种检测视角。

通过LabelImg工具精细化标注,包含正常、松动、脱落及腐蚀四类标签,如图5所示。为增强模型对距离变化的鲁棒性,采用多尺度数据增强策略,在距离维度引入高斯模糊模拟远距成像退化,在空间维度实施随机旋转(±15°)、平移(±10%)、缩放(0.8~1.2倍)等几何变换,为量化分析检测距离因素对检测性能的影响提供数据基础。

2.3 评价指标

为评估模型在目标检测任务中的性能表现,选用的评价指标包括:精确率P、召回率R、参数量(params)、计算量(giga floating point operations per second,GFLOPs)、平均精度(average precision,AP)及平均精度均值(mean average precision,mAP),计算公式分别为

(7)$P=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}} \times 100 \%$

(8)$R=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}} \times 100 \%$

(9)$\mathrm{AP}=\int_{0}^{1} P(R) \mathrm{dR}$

(10)$\mathrm{mAP}=\frac{\sum_{m=1}^{M} \mathrm{AP}_{m}}{M} \times 100 \%$

(11)$\mathrm{FPS}=\frac{N}{T}$

式中:TP为实际与预测均为正类的样本数;FP为实际负类却被误判为正类的样本数;FN为实际正类却被漏检的样本数;M为数据集中的类别总数;N为算法处理的总图像素;FPS为图像处理速度;T为单张图像从预处理到结果输出的总耗时。

3 实验结果与分析

3.1 消融实验

为系统、客观地分析各改进模块对YOLOv11n算法在不同视距下对飞机铆钉检测性能的提升作用,共设置了8组消融实验。实验以YOLOv11n为基准模型,依次加入AirNet改进模块、SCConv改进的卷积、P2小目标检测层以及Dysample距离卷积核形变映射,实验结果如表2所示。

实验结果表明,单独融入AirNet使mAP@0.5较基础模型提升1.8%,FPS提升至185.6 f/s(帧/秒),参数量与计算量分别降至2.5×10⁶、5.8 M;引入SCConv卷积使mAP@0.5提升0.9%,参数降至2.4×10⁶;增加P2小目标层使mAP@0.5提升3.1%,但FPS降至123.7、计算量升至12.5 M;引入改进Dysample距离卷积核形变映射后使mAP@0.5提升2.5%,复杂度与基础模型相近。

改进模块组合实验显示,AirNet与SCConv协同作用下,使P、R、mAP@0.5达87.3%、80.9%、87.2%;叠加P2小目标检测层后,P、R、mAP@0.5升至91.4%、82.6%、88.3%,mAP@0.5提升4.0%,参数量增至3.1×10⁶,FPS降至124.3 f/s。4个改进模块融合实现最优性能,P、R、mAP@0.5分别达92.1%、83.2%、89.6%,较基础模型分别提升3.4%、6.4%、5.3%;参数量为2.9×10⁶,FPS为131.2 f/s,计算量10.6 M。结果表明,多模块协同可显著提升不同视距下飞机铆钉检测精度,同时平衡模型复杂度,为飞机铆钉检测提供高效鲁棒的技术方案。

3.2 对比实验

为验证改进后YOLOv11n模型在不同视距条件下对飞机铆钉损伤的检测效能,设计多基线对比实验,选取YOLOv8n、YOLOv9t、YOLOv10n及原始YOLOv11n作为参照模型。实验结果如表3所示,改进模型在关键指标上取得突破,P达92.1%,较基准模型YOLOv11n提升了3.4%;R达83.2%,提升了6.4%;mAP@0.5达89.6%,提升了5.3%。在多基线对比中,mAP@0.5指标较YOLOv10n提高了6.7%,较YOLOv9t提高了9.9%,较YOLOv8n提高6.2%。尽管模型复杂度有所增加,参数量达2.9×10⁶,计算量达10.6 M,但改进后的算法有效提高了不同视距场景下飞机铆钉损伤的检测能力,有效克服了成像距离变化对检测稳定性的影响。

3.3 实验检测结果可视化分析

为直观评估不同检测距离对飞机铆钉检测稳定性的影响,实验在0.5、1.0、1.5 m三种视距下对比原始算法与改进算法的铆钉检测表现。可视化结果如图6所示,在0.5 m时,两种算法均能精准识别铆钉;当距离增至1.0 m,原始算法因成像缩小与分辨率下降出现检测框偏移、置信度波动,而改进算法仍保持较高置信度和稳定定位;在1.5 m下,原始算法漏检率显著升高、置信度下降,而改进算法仍能识别大部分铆钉,位置与尺寸预测更准确。统计显示,原始算法漏检率由0.5 m至1.5 m,约上升15%,稳定性明显下降;相比之下,改进算法能在低分辨率条件下保持更高的检出率和更稳定的高置信度输出。

为进一步验证算法在真实航空维修场景中的实用性能,在广汉飞机修理厂开展实地验证试验。在机翼与机身连接区域选取约350处铆钉作为检测对象,分别在0.5、1.0、1.5 m三种视距条件下开展现场检测。试验结果表明,即便在自然光与局部阴影交替的复杂光照环境下,仍保持较高的检测稳定性,整体识别准确率达90.7%,漏检率控制在10%以下,检测效率较人工目视巡检提升约2倍,且可自动生成损伤类型报告。有效验证了本文算法在多视距复杂环境中的稳定表现,展现了其在实际工程应用中的可靠性。

4 结论

(1)提出一种基于改进YOLOv11n的飞机铆钉视距自适应检测方法,通过AirNet退化感知修复、SCConv动态特征优化、P2小目标检测层和DySample距离感知卷积核形变四项关键技术,显著提升飞机铆钉损伤的检测性能。

(2)改进后的模型在精确率、召回率和mAP上分别较基准模型提升3.4%、6.4%和5.3%,有效解决多视距场景下因分辨率衰减和尺寸变化导致的检测稳定性问题,为飞机铆钉损伤检测提供高效鲁棒的解决方案。

(3)尽管改进算法在参数量和计算量上略有增加,但其帧率仍保持在较高水平,兼顾实时性与检测精度。实验验证多模块协同有效抑制近距干扰、增强远距特征,适应铆钉损伤特征尺寸变化,为飞机智能维修及健康监测提供可靠技术支撑。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	谢辉, 高文翔, 张立新, 等. 飞机V形结构复合材料双面埋头铆钉压铆技术[J]. 机床与液压, 2023, 51(16): 133-138.

[2]	Xie Hui, Gao Wenxiang, Zhang Lixin, et al. Riveting technology for double-sided countersunk rivets of V-shaped composite structures in aircraft[J]. Machine Tool & Hydraulics, 2023, 51(16): 133-138.

[3]	Zhang M, Cao Z, Guo Y, et al. Stress, damage, and fatigue performance analysis of CFRP/Al double-sided countersunk riveted joints with variable rivet-hole clearance[J]. International Journal of Fatigue, 2024, 186: 108385.

[4]	孟芳芳, 田孝壮, 方薇, 等. 基于改进YOLOv5的高空螺母识别算法[J]. 科学技术与工程, 2025, 25(1): 262-269.

[5]	Meng Fangfang, Tian Xiaozhuang, Fang Wei, et al. Recognition algorithm of high-altitude nuts based on improved YOLOv5[J]. Science Technology and Engineering, 2025, 25(1): 262-269.

[6]	杨春晖, 戴家隆, 张森, 等. 基于机器视觉的飞机铆钉划痕与尺寸检测技术[J]. 中国信息界, 2024(5): 228-232.

[7]	Yang Chunhui, Dai Jialong, Zhang Sen, et al. Machine vision-based detection technology for aircraft rivet scratches and dimensions[J]. China Information Times, 2024(5): 228-232.

[8]	李淑凤, 曹秀. 基于飞机表面检测的无人机全覆盖路径规划[J]. 科学技术与工程, 2025, 25(29): 12699-12708.

[9]	Li Shufeng, Cao Xiu. UAV full-coverage path planning based on aircraft surface inspection[J]. Science Technology and Engineering, 2025, 25(29): 12699-12708.

[10]	Li B, Shi W, Zhao B, et al. A high-resolution non-destructive evaluation method for aircraft rivets using the ultrasonic array[C]// 2024 18th Symposium on Piezoelectricity, Acoustic Waves, and Device Applications (SPAWDA). New York: IEEE, 2024: 390-394.

[11]	Li K, Wang Y, Hu Z. Improved YOLOv7 for small object detection algorithm based on attention and dynamic convolution[J]. Journal of Computer Science and Technology, 2023, 38(4): 1234-1245.

[12]	Terven J, Córdova-Esparza D M, Romero-González J A. A comprehensive review of YOLO architectures in computer vision: from YOLOv1 to YOLOv8 and YOLO-NAS[J]. Machine Learning and Knowledge Extraction, 2023, 5(4): 1680-1716.

[13]	Kang M, Ting C M, Ting F F, et al. ASF-YOLO: a novel YOLO model with attentional scale sequence fusion for cell instance segmentation[J]. IEEE Transactions on Medical Imaging, 2023, 42(12): 3456-3467.

[14]	Liao Y, Li L, Xiao H, et al. YOLO-MECD: citrus detection algorithm based on YOLOv11[J]. Agronomy, 2025, 15(3): 687.

[15]	崔俊佳, 张军, 莦茹茹, 等. 基于深度学习的自冲铆接偏铆缺陷检测算法研究[J]. 航空制造技术, 2023, 66(6): 22-30.

[16]	Cui Junjia, Zhang Jun, Xiao Ruru, et al. Research on misriveting defect detection algorithm of self-piercing riveting based on deep learning[J]. Aeronautical Manufacturing Technology, 2023, 66(6): 22-30.

[17]	魏英姿, 苏迈. YOLOv5框架下的飞机蒙皮铆接缺陷检测[J]. 组合机床与自动化加工技术, 2023(7): 106-109.

[18]	Wei Yingzi, Su Mai. Aircraft skin riveting defect detection under YOLOv5 framework[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2023(7): 106-109.

[19]	李耀华, 陈杰. 融合注意力机制的飞机蒙皮损伤LHN-YOLO小目标检测算法[J]. 北京航空航天大学学报, 2025(3): 1-13.

[20]	Li Yaohua, Chen Jie. LHN-YOLO small target detection algorithm for aircraft skin damage fusing attention mechanism[J]. Journal of Beijing University of Aeronautics and Astronautics, 2025(3): 1-13.

[21]	董芳媛, 韩天龙. 基于深度学习的飞机蒙皮铆接质量检测系统设计[J]. 现代制造技术与装备, 2025, 61(9): 44-46.

[22]	Dong Fangyuan, Han Tianlong. Design of aircraft skin riveting quality inspection system based on deep learning[J]. Modern Manufacturing Technology and Equipment, 2025, 61(9): 44-46.

[23]	夏正洪, 何琥, 杨磊, 等. 基于改进YOLOv8n的飞机铆钉及脱落异常检测算法[J]. 中国安全科学学报, 2025, 35(2): 66-72.

[24]	Xia Zhenghong, He Hu, Yang Lei, et al. Aircraft rivet and detachment anomaly detection algorithm based on improved YOLOv8n[J]. China Safety Science Journal, 2025, 35(2): 66-72.

基金资助

国家重点研发计划(2024YFC3014400)

中央高校基本科研业务费(26CAFUC03075)

中央高校基本科研业务费(26CAFUC10023)

四川省民航飞行技术与飞行安全工程技术研究中心项目(GY2025-23D)

PDF (9961KB)

访问

被引

详细

导航

Received	Published	Revised
2025-09-30	2026-08-18	2025-12-12
Online Date
2026-09-04

摘要