工業技術研究院

技術簡介

本研究完成航太葉片瑕疵影像人工標註，涵蓋約5,000筆Nick/Dent與1,000筆Scratch瑕疵，建立具代表性的原始資料集。於資料準備階段，透過影像翻轉、旋轉、平移、亮度調整與錯切等擴充技術，在維持瑕疵物理特性與語意正確性下，大幅增加樣本數量。擴充後，Nick/Dent標註數提升至約1×10⁶筆，Scratch提升至約2×10⁵筆，有效改善樣本不足問題。 混淆矩陣結果顯示，模型對 Nick/Dent 瑕疵之辨識準確率約為 98％，僅約 2％ 誤判為背景；Scratch 瑕疵辨識準確率約為 99％，漏檢率僅約 1％。整體而言，透過大規模資料擴充，模型已建立穩定且清楚的瑕疵特徵辨識能力，具備實務應用潛力。

Abstract

This study manually annotated aerospace blade defect images, including 5,000 Nick/Dent and 1,000 Scratch defects, forming a representative dataset. Image augmentation—flipping, rotation, translation, brightness adjustment, and shearing—was applied while preserving defect characteristics. The dataset expanded to 1×10⁶ Nick/Dent and 2×10⁵ Scratch annotations, improving generalization. The model achieved 98％ accuracy for Nick/Dent and 99％ for Scratch, demonstrating strong reliability and practical applicability.

技術規格

本系統以航太葉片瑕疵影像為基礎，完成Nick/Dent與Scratch類型之高精度人工標註，並透過多種影像擴充技術將資料規模擴展至百萬級樣本。瑕疵偵測模型採用深度學習架構進行訓練，可於多視角與光照變化環境下穩定辨識微小瑕疵。實驗結果顯示，Nick/Dent與Scratch類型辨識準確率分別達98％與99％，具備高可靠度與實務部署能力。

Technical Specification

The system is built on defect images of aerospace blades provided by GE, featuring high-precision manual annotations for Nick/Dent and Scratch defects. Through multiple image augmentation techniques, the dataset was expanded to a million-scale sample size. A deep learning-based defect detection model was trained to robustly identify small defects under varying viewpoints and illumination conditions. Experimental results demonstrate detection accuracies of 98％ for Nick/Dent and 99％ for Scratch defects, indicating high reliability and readiness for practical deployment.

技術特色

本技術以高品質人工標註之航太葉片瑕疵影像為核心，結合系統化影像擴充機制，成功將有限原始樣本擴展至百萬級資料規模，有效解決工業瑕疵資料稀缺問題。透過深度學習瑕疵偵測模型，精準學習Nick/Dent與 Scratch等關鍵缺陷特徵，並具備對多視角、光照變化與影像雜訊的高度適應能力。混淆矩陣結果顯示模型維持極低漏檢率與高準確率，確保實務檢測的穩定性與可靠性。此外，本技術具備高度可擴充架構，可快速導入其他工業瑕疵類型，支援智慧製造與自動化品質檢測應用。

應用範圍

航太零組件、金屬加工及各種表面檢測需求

接受技術者具備基礎建議（設備）

a) 光機組裝與系統測試設備 b) 個人電腦

接受技術者具備基礎建議（專業）

a) 軟體設計能力 b) 光機設計能力 c) 具系統整合設計開發能力更佳

聯絡資訊