论文题目：GMA-Net: A Lightweight Real-Time Network for Aero-Engine Damage Detection on Embedded IoT Devices（面向嵌入式物联网设备的航空发动机损伤检测轻量级实时网络）
期刊：IEEE INTERNET OF THINGS JOURNAL 2026
摘要：针对航空发动机损伤的孔探检测是一种基于物联网设备和光学手段的无损内窥镜技术，是保障飞行安全的重要措施。然而，航空发动机的孔探图像面临诸多挑战，包括损伤类型多样、尺度变化大以及大量微小目标。这些问题给提高智能损伤检测的准确性带来了重大障碍。特别是当算法需要部署在嵌入式设备上进行实时处理时，必须实现检测精度和处理速度的协调优化。为了解决上述问题，本文提出了一种名为 GMA-Net 的高效轻量级航空发动机损伤检测模型，用于在嵌入式设备上进行实时检测。首先，引入 C3Ghost 模块构建骨干网络，在增强模型特征表达能力和感受野的同时，显著减少了冗余计算。其次，嵌入了轻量级的 SegNext_Attention 模块，通过条形卷积的组合，增强了模型对微小损伤特征的感知。最后，设计了一种新颖的检测头结构。通过将 Detect_MBConv 模块与轻量级深度可分离卷积及注意力机制相结合，提高了多尺度损伤目标特征捕获的效率。在自建的航空发动机损伤数据集上的实验表明，GMA-Net 取得了令人满意的结果。与最先进的轻量级检测器 YOLOv13n 相比，GMA-Net 的参数量减少了 46.5%，计算成本（GFLOPs）降低了 37.1%。它在 mAP@50-95 上也实现了 0.86% 的提升，召回率增加了 7.17%。此外，该模型在 Jetson Nano 嵌入式设备上达到了 22.19 帧/秒（FPS），满足了实际智能航空发动机损伤检测的效率要求。
一、研究背景与核心问题
1.1 问题一：孔探图像背景复杂且包含大量微小损伤
航空发动机的核心热端和动力部件（如叶片、燃烧室）长期在高温、高压下工作，极易产生裂纹、腐蚀、局部缺损和烧蚀等损伤。然而，这些微小裂纹在图像中占比极小、特征微弱，且发动机表面往往存在复杂的加工纹理、螺栓或管道阴影等干扰，传统视觉检测极易将背景噪声误判为损伤，或直接漏检微小目标。
1.2 问题二：嵌入式 IoT 设备的算力与功耗瓶颈
在实际航线运维中，检测大多在停机坪等非固定场所进行，高度依赖便携式孔探物联网终端。这类边缘计算节点（如 Jetson Nano）普遍存在算力上限低、存储容量小、功耗限制严格等硬件瓶颈。现有的高精度模型（如两阶段的 Faster R-CNN 或大型 YOLO 系列）参数量动辄数千万，计算复杂度高，无法在边缘设备上做到实时推理；而传统的轻量级模型（如 YOLOv13n）在大幅压缩参数时，往往牺牲了特征表达能力，导致对复杂背景下小目标的召回率难以满足工程可靠性要求。
因此，核心痛点是如何在极其受限的硬件约束下，实现检测精度、推理速度和资源占用的极限平衡。
二、方法整体框架
作者的解决思路非常明确：既然算力有限，就必须把好钢用在刀刃上。GMA-Net 框架以"极致轻量化"为核心目标，在骨干网络、特征感知和检测头三个维度进行了协同重构。
论文 Figure 2 ：GMA-Net 整体框架
这张图重点看三个地方：
-
Backbone（骨干网络）采用了 C3Ghost 模块替代传统卷积，通过"基础特征生成 + 幻影特征扩展"的两步策略，极大地降低了计算开销。
-
Neck 结构中嵌入了 SegNext_Attention 模块，利用多尺度特征聚焦和权重分配，专门用来抵抗复杂背景干扰并强化微小损伤感知。
-
Head（检测头）引入了 Detect_MBConv 模块，通过分离卷积和 SE 注意力机制实现多尺度损伤的差异化处理。
三、核心模块设计与优化
3.1 C3Ghost 骨干网络：减少冗余计算
传统卷积在处理发动机图像时，会对所有特征通道进行等强度的计算，大量算力被消耗在无损伤的平滑表面或正常纹理上。C3Ghost 模块首先使用 1×1 卷积快速生成包含裂纹边缘等核心特征的"基础特征图"，随后通过简单的线性变换生成补充性的"幻影特征"。这种设计使得模型在保留超过 90% 损伤特征信息的同时，参数量远低于传统卷积模块，非常契合机载嵌入式设备的硬件约束。
3.2 SegNext_Attention：强化微小目标感知
为了解决细微裂纹容易在复杂背景中被漏检的问题，作者引入了 SegNext_Attention 模块。
该模块首先通过多组不同尺寸的卷积核并行提取图像特征（小卷积核关注微裂纹，大卷积核捕捉烧蚀等大面积损伤），然后通过注意力机制计算权重（Att），最后与原始特征（）进行逐元素相乘。直观来看，这相当于给网络加上了"滤镜"，自动降低正常加工纹理的响应权重，放大裂纹等微小损伤的特征，从而显著提升小目标的召回率。
3.3 Detect_MBConv 检测头：多尺度动态资源分配
发动机损伤尺度跨度极大，从占据图像 10% 以上的烧蚀到只有几个像素的裂纹。Detect_MBConv 采取了差异化策略：对于大尺度损伤，利用 1×1 卷积提升通道维度强化全局表达；对于微小裂纹，则采用 3×3 的深度可分离卷积（Depthwise Separable Convolution）精准聚焦局部细节，避免特征被稀释。同时，其内置的 SE 注意力模块能有效抑制诸如螺栓纹理等背景噪声，减少误检。
四、实验结果与消融分析
4.1 实验设置与评价指标
实验基于一家航空公司的真实航空发动机孔探视频流抽帧构建了数据集，包含腐蚀、缺口、脱落、烧蚀四类损伤，共 1400 张原图，按 8:1:1 划分。
4.2 主任务实验结果
论文 Table 2 ：不同模型在主任务上的性能对比
这张表对比了 Faster R-CNN、SSD、EfficientDet、RT-DETR 以及 YOLOv12n/13n 等模型。最值得记住的少量数字是：从 Table 2 看，GMA-Net 的 mAP@50 达到了 0.835，全面领先于其他对比模型。更值得注意的是，其整体召回率（Recall）达到了 0.792，比 YOLOv13n（0.739）高出许多，证明了其在减少漏检方面的明显优势。在微小目标检测的核心指标 上，GMA-Net 达到 0.2685，同样优于基线 YOLOv13n（0.2662）和其他架构，直接验证了其对微小损伤的检测能力。
4.3 模型轻量化与复杂度对比
论文 Table 3 ：模型参数量、计算量与推理速度对比
这张表直观展示了 GMA-Net 的轻量化极限。GMA-Net 的参数量仅为 1.31M，相比基线 YOLOv13n（2.45M）骤降了 46.5%；其计算量（GFLOPs）仅为 3.9。在 RTX 4090 上，GMA-Net 的推理速度达到了 109.23 FPS。Params/FPS 和 GFLOPS/FPS 指标均是所有模型中最低的，说明其进行单帧推理所消耗的资源最少，能极好地适应工业级受限终端。
4.4 核心模块消融
论文 Table 4 ：核心模块消融实验结果
这组消融解释了模块的明确分工：
-
仅引入 C3Ghost 模块时，参数量直接从 2.45M 降至 1.54M，GFLOPs 降至 5.0，不仅完成了最基础的"瘦身"，召回率反而提升了，说明去除了冗余噪声。
-
进一步加入 Detect_MBConv 后，参数量下探到 1.22M 的极限。
-
最后加入 SegNext_Attention，虽然参数量微增到 1.31M，但召回率（Recall）从 0.787 提升至 0.792，精准补齐了微小目标容易漏检的短板。
4.5 物联网嵌入式设备部署测试
论文 Table 9 ：不同模型在 Jetson Nano 上的能耗与帧率对比
既然面向 IoT，就必须看边缘设备的真机表现。在 Jetson Nano 上，GMA-Net 跑出了 22.19 FPS 的优异成绩，显著高于 YOLOv13n（16.68 FPS）和 YOLOv12n。同时，它的等效能耗（280.92 mWh）和单帧平均能耗均是最低的。这说明 GMA-Net 不需要额外的存储或算力扩展，就能直接嵌入现有的便携式孔探设备中，实现真正的实时检测与长续航。
4.6 Case Study 与失效模式分析
论文 Figure 8 ：失效案例可视化分析
作者非常坦诚地展示了失效模式。从图中可以看出，漏检（FN）主要集中在极窄裂纹、对比度极低或被严重氧化背景掩盖的区域；误检（FP）则多是因为正常组件缝隙与裂纹过于相似，或者轻微磨损被判定为缺损。这不仅明确了当前模型的边界，也为后续复杂光照补偿和边缘特征增强指明了方向。
五、总结与思考
如果把这篇论文压缩成一句话：GMA-Net 通过剔除特征冗余、动态分配多尺度计算资源并施加注意力"滤镜"，成功把一个高精度的航空发动机损伤检测网络塞进了一块低功耗的 Jetson Nano 里。
从工程角度看，这篇文章的价值不在于堆叠了多少最新的机制，而在于针对"边缘计算+微小损伤"这一具体痛点做出的克制与取舍。在参数量砍掉近一半的前提下，还能通过 SegNext_Attention 等轻量级机制把微小目标的召回率提上来，这对航空航天、轨道交通等对漏检率零容忍、且极度依赖现场实时诊断的工业物联网场景，提供了非常务实的参考范本。