The Five-hundred-meter Aperture Spherical radio Telescope (FAST) is the world ’ s largest single-dish radio telescope. Its large reflecting surface achieves unprecedented sensitivity but is prone to damage, such as dents and holes, caused by naturally-occurring falling objects. Hence, the timely and accurate detection of surface defects is crucial for FAST’s stable operation. Conventional manual inspection involves human inspectors climbing up and examining the large surface visually, a time-consuming and potentially unreliable process. To accelerate the inspection process and increase its accuracy, this work makes the first step towards automating the inspection of FAST by integrating deep-learning techniques with drone technology. First, a drone flies over the surface along a predetermined route. Since surface defects significantly vary in scale and show high inter-class similarity, directly applying existing deep detectors to detect defects on the drone imagery is highly prone to missing and misidentifying defects. As a remedy, we introduce cross-fusion, a dedicated plug-in operation for deep detectors that enables the adaptive fusion of multi-level features in a point-wise selective fashion, depending on local defect patterns. Consequently, strong semantics and fine-grained details are dynamically fused at different positions to support the accurate detection of defects of various scales and types. Our AI-powered drone-based automated inspection is time-efficient, reliable, and has good accessibility, which guarantees the long-term and stable operation of FAST.

五百米口径球面射电望远镜 (FAST) 是世界上最大的单口径射电望远镜。其大反射面具有前所未有的灵敏度，但容易因自然掉落的物体而损坏，例如凹痕和孔洞。因此，及时准确地检测表面缺陷对于FAST的稳定运行至关重要。传统的人工检查涉及人工检查员爬上并目视检查大面积表面，这是一个耗时且可能不可靠的过程。为了加快检查过程并提高其准确性，这项工作通过将深度学习技术与无人机技术相结合，迈出了 FAST 检查自动化的第一步。首先，一架无人机沿着预定路线飞过地面。由于表面缺陷的规模差异很大并且显示出很高的类间相似性，因此直接应用现有的深度检测器来检测无人机图像上的缺陷很容易漏掉和错误识别缺陷。作为一种补救措施，我们引入了交叉融合，这是一种用于深度检测器的专用插件操作，可以根据局部缺陷模式以逐点选择性的方式自适应融合多层次特征。因此，强语义和细粒度细节在不同位置动态融合，以支持准确检测各种规模和类型的缺陷。我们基于人工智能的无人机自动化巡检具有时效性、可靠性和良好的可访问性，保证了 FAST 的长期稳定运行。直接应用现有的深度检测器来检测无人机图像上的缺陷很容易丢失和错误识别缺陷。作为一种补救措施，我们引入了交叉融合，这是一种用于深度检测器的专用插件操作，可以根据局部缺陷模式以逐点选择性的方式自适应融合多层次特征。因此，强语义和细粒度细节在不同位置动态融合，以支持准确检测各种规模和类型的缺陷。我们基于人工智能的无人机自动化巡检具有时效性、可靠性和良好的可访问性，保证了 FAST 的长期稳定运行。直接应用现有的深度检测器来检测无人机图像上的缺陷很容易丢失和错误识别缺陷。作为一种补救措施，我们引入了交叉融合，这是一种用于深度检测器的专用插件操作，可以根据局部缺陷模式以逐点选择性的方式自适应融合多层次特征。因此，强语义和细粒度细节在不同位置动态融合，以支持准确检测各种规模和类型的缺陷。我们基于人工智能的无人机自动化巡检具有时效性、可靠性和良好的可访问性，保证了 FAST 的长期稳定运行。一种用于深度检测器的专用插件操作，可以根据局部缺陷模式以逐点选择性的方式自适应融合多级特征。因此，强语义和细粒度细节在不同位置动态融合，以支持准确检测各种规模和类型的缺陷。我们基于人工智能的无人机自动化巡检具有时效性、可靠性和良好的可访问性，保证了 FAST 的长期稳定运行。一种用于深度检测器的专用插件操作，可以根据局部缺陷模式以逐点选择性的方式自适应融合多级特征。因此，强语义和细粒度细节在不同位置动态融合，以支持准确检测各种规模和类型的缺陷。我们基于人工智能的无人机自动化巡检具有时效性、可靠性和良好的可访问性，保证了 FAST 的长期稳定运行。