2026年11月11日，厦门大学与复旦大学合作完成的研究成果“Controllable diffusion-based X-ray void defect synthesis for CFRP component quality inspection”在《Journal of Manufacturing Processes》在线发表。该论文刊载于第179卷，第450—470页。研究面向碳纤维增强聚合物（CFRP）构件的X射线无损检测，提出了一种可控的孔隙缺陷图像生成方法，为缺陷检测模型补充带有像素级标注的训练样本。

         碳纤维复合材料构件在成型过程中可能产生内部孔隙，影响构件的结构可靠性。利用深度学习识别X射线图像中的孔隙，需要有足够多且标注准确的缺陷样本。然而，实际生产中的孔隙样本数量有限，在不同结构区域的分布也不均衡，难以覆盖孔隙位置、形状和显著程度的变化。

图1 碳纤维复合材料构件X射线图像中的典型孔隙缺陷

针对这一问题，研究团队基于图像修补扩散模型，利用有限的真实样本生成多样化的缺陷图像，整体框架如图2所示。

图2 基于扩散模型的可控孔隙缺陷生成框架

研究的主要创新体现在三个方面：

         **一是利用掩膜控制孔隙的位置和形态。**研究以目标掩膜指定孔隙的生成区域和轮廓，在保留原图非缺陷区域结构的同时，生成与掩膜对应的孔隙图像。掩膜同时提供像素级标注，可用于缺陷分割模型训练。

         **二是提高小孔隙的生成稳定性。**针对小孔隙在生成过程中容易变弱甚至消失的问题，研究提出区域感知缺陷语义对齐损失（RDSA）。该方法一方面抑制缺陷响应向背景区域扩散，另一方面促使缺陷响应覆盖目标区域，使生成的小孔隙与给定掩膜更一致。

         **三是实现孔隙显著程度的连续调节。**研究引入缺陷强度控制机制（DICM），通过调节扩散模型去噪过程中缺陷相关信息的贡献，生成从不易察觉到较为明显的孔隙样本，为检测模型提供不同难度的训练数据。

图3 不同控制系数下的孔隙缺陷生成效果

         在真实工业CFRP构件的X射线图像数据集上，加入合成样本后，YOLOv11m缺陷检测模型的平均AP@50达到85.23%，U-Net缺陷分割模型的平均交并比（IoU）达到62.48%，较未使用数据增强的基线分别提高8.60和9.00个百分点。结果表明，在论文所用的数据集和实验条件下，可控生成的孔隙样本能够补充真实缺陷数据，改善检测模型的定位和分割表现。

图4 使用合成样本增强前后的孔隙缺陷分割结果对比

         论文第一作者为Kang Fan，通讯作者为Zheng Fang（方正），共同作者包括Kun Qian、Nianyin Zeng和复旦大学Hongming Shan。该研究获得国家自然科学基金和四川省科技计划支持。

 Controllable diffusion-based X-ray void defect synthesis for CFRP component quality inspection.pdf