用于弹头目标板试验中小物体碎片冲击检测的 SFD-YOLO

察觉最微小的冲击痕迹

在受控试验中引爆弹头时，工程师通过研究其碎片在大型金属板上留下的微小痕迹来评估实际危险程度。如今，这类检查仍常依赖人工完成，既慢又容易疲劳和出错——尤其多数冲击痕只是几乎看不见的斑点。本文提出了一种称为 SFD-YOLO 的人工智能方法，能够在实时条件下自动检测那些微小伤痕，即便在有尘、雾、模糊或光照变化的情况下也能发挥作用，从而有望实现更快速、更可靠的安全与性能评估。

为何微小孔洞很重要

在弹头试验中，金属目标板围绕爆炸装置呈环状布置。装置爆炸时，高速碎片冲击板材，留下贯穿形成的洞或仅打凹表面的浅坑。通过统计不同类型痕迹的位置与数量，工程师可以推断碎片的空间分布以及对实际设备的致命性。但这些痕迹极小且密集，室外试验场常常充满尘土、眩光与恶劣天气。人工检查员与传统图像处理工具难以跟上，从而难以获得准确及时的测量结果。

教网络“一次看清”，但更细致

基于深度学习的现代目标检测系统可以在极短时间内扫描图像并框出感兴趣目标。其中，YOLO 系列算法以速度与精度的良好平衡著称。然而，标准版本往往漏检仅占据少数像素的极小目标——恰好是碎片冲击图像中的情形。为了解决这一问题，作者在最新的 YOLOv11 模型基础上进行了专门定制，针对光滑金属上的微小痕迹重设计了若干关键模块，使网络能更多关注微弱细节，同时不致变得过大或过慢。

聚焦斑点与微痕

首项改进在于网络处理原始图像的方式。作者引入了一个特征处理模块，同时在两个维度上清理网络的输入：特征在图像中的位置以及哪些通道携带最有用的信息。该模块抑制重复或无益的模式并增强提示真实冲击的细微边缘与纹理。作者还加入了一个轻量级的提取模块，通过更高效的操作保持模型紧凑，从而使其能在标准硬件上快速运行，同时保留来自微小碎片痕迹的细弱信号。

同时在多尺度上观察

由于在神经网络内部反复缩小图像时微小冲击容易被抹去，作者还重设计了系统的决策部分。SFD-YOLO 在原有三层细节的基础上增加了第四层更高分辨率的通道，专门用于检测最小的痕迹。一个特殊的特征金字塔结构逐步融合浅层的细节与深层的背景上下文，帮助网络同时跟踪标记的位置与其相对于背景的显著性。结果是系统能够区分贯穿孔与表面凹痕，即便它们紧密地分布在易反光的金属板上。

将系统付诸考验

为训练与评估方法，研究者汇集了来自真实静态爆炸试验的专用图像集，捕获了数千张高分辨率目标板照片并手工标注了超过两万处冲击痕迹。该数据集中近九成的痕迹按常见计算机视觉标准被归类为“微小”，使其成为富挑战性的测试场。SFD-YOLO 不仅优于多种流行检测模型（包括若干其他 YOLO 变体与基于变换器的系统），而且其可调参数仅略高于两百万，同时处理速度超过每秒一百张图像。在图像被模糊、变暗、变亮或叠加合成雾尘以模拟恶劣现场条件时，该模型相比最接近的基线表现也更稳健。

从试验场到工厂车间

简而言之，该研究表明经过精心调优的神经网络能够以很高的可靠性识别并分类大金属板上针孔大小的损伤标记，并且速度足以在爆炸测试中实时使用。SFD-YOLO 将曾经费时的人工计数任务转化为自动化且鲁棒的测量工具。除弹头评估外，相同思路也可应用于其他需要关注金属表面微小缺陷的场景，例如轧钢检验、电网设备或其他工业部件的缺陷检测，这些缺陷往往易被人类和标准算法遗漏。

引用: Liu, H., Ding, Y., You, W. et al. SFD-YOLO for small-object fragment impact detection in warhead target-plate testing. Sci Rep 16, 9291 (2026). https://doi.org/10.1038/s41598-026-40457-y

关键词: 小物体检测, 碎片冲击试验, 金属表面检测, YOLO 神经网络, 工业缺陷检测