随着我国燃气轮机、航空发动机、舰船深潜装备等重大高端装备性能的显著提升与推广应用,其涡轮叶片等构件呈现出复杂化、大型化和集成化趋势,并且服役工况日趋极端苛刻,对其安全性和经济性运维检测提出了严苛要求。近年来,涡轮叶片表面损伤缺陷的快速高效无损评价以及智能化检测需求日渐迫切,已成为装备运维保障的关键。但适用于涡轮叶片的快速、准确、高效的无损检测手段依然缺乏,这严重依赖于自动化、智能化、低成本无损检测理论研究与技术突破。荧光磁粉检测技术具有检测速度快、成本低、无需特殊防护等优点,已大量应用于复杂曲面构件的制造、服役过程中的人工定期维护检测。但面向运维过程中的叶片自动化和智能化等高效检测需求,在荧光磁粉成像检测、缺陷智能识别和机器人辅助自动化检测等方面,仍需开展大量研究工作。因此,针对涡轮叶片在制造及其服役过程中出现的裂纹以及腐蚀等缺陷,本文制备了点蚀、线状裂纹、网状裂纹三类缺陷,并利用荧光磁粉自动化检测设备,基于机器视觉自动化检测技术获取的缺陷数据集,重点开展了SSD、YOLOv3、Faster RCNN+FPN、Retina Net智能化缺陷识别算法研究。因涡轮叶片失效大多起源于表面,首先对涡轮叶片的不同失效机理不断深化分析,提取了涡轮叶片在其生命周期内的表面缺陷的类型及特征,制备了点蚀、线状裂纹、网状裂纹等典型表面缺陷;其次,利用荧光磁粉检测设备开展试验研究,基于自动化图像采集系统获取了大量荧光磁粉检测图像;最后,对荧光磁粉检测的缺陷的位置与类别进行标注,制作了适用于目标检测算法的缺陷数据集。面向涡轮叶片表面缺陷检测与分类,开展了SSD和YOLOV3单阶段目标检测算法应用研究。为了在有限的数据下构建高精度的检测模型,在训练实验开始之前,采用迁移学习对两种算法中的权重进行初始化。在训练实验完成后将检测结果进行对比,分析了两种算法对点蚀、线状裂纹、网状裂纹三种缺陷的识别效果,结果表明,基于YOLOv3算法的检测模型的平均检测精度达到了95.77%,优于SSD算法模型的87.2%检测精度,YOLOv3算法不仅能够对表面缺陷进行精确检测,而且实现了缺陷的准确分类。为提升实际工件表面缺陷的检测精度和效率,进一步开展了基于FPN多尺度特征融合的Faster RCNN算法和Retina Net算法表面缺陷识别和分类研究。研究发现,Faster RCNN算法和Retina Net算法对点蚀、线状裂纹、网状裂纹等典型缺陷的检测性能优于YOLOv3算法,其中Faster RCNN算法的平均检测精度为96.74%,Retina Net算法为97.85%。同时FPN网络结构可有效提高检测算法对荧光磁粉缺陷的特征的识别,融合FPN结构的Faster RCNN算法对典型缺陷的识别精度明显提升到98.62%。综上,针对涡轮叶片点蚀、线状裂纹、网状裂纹三类典型缺陷,本文开展了上述四种智能化算法检测精度和检测速度的比对分析研究。基于FPN多尺度特征融合检测算法,开展涡轮叶片等复杂曲面构件的实际损伤缺陷检测,发现Faster RCNN+FPN和Retina Net两种目标检测算法可准确检测缺陷的位置并实现了准确分类,获取了良好的实际应用效果,对涡轮叶片的荧光磁粉智能检测与运维,具有重要意义。