一种用于焊缝表面缺陷检测的改进轻量化 YOLOv11 算法

为何焊缝上的微小缺陷很重要

从桥梁和船舶到摩天大楼与管道，数以万计的金属结构依赖焊接接头以保持安全与强度。然而，焊缝表面可能隐藏小型缺陷——如气孔、裂纹或夹渣——如果被忽视，这些缺陷可能会发展成严重的失效。人工逐一检查每道焊缝速度慢、成本高且易出现人为误差，尤其在繁忙的工厂环境中。本论文提出了一种更快、更精简的计算机视觉系统，称为 YOLO-Air，旨在自动且实时地检测焊缝表面缺陷，即使在计算资源受限的工业硬件上也能运行。

传统检测工具的局限性

几十年来，焊缝检测依赖 X 射线、超声、磁粉和涡流等物理检测方法。这些技术可以揭示内部和表面缺陷，但各有权衡：射线检测存在辐射危害与防护要求，超声依赖操作人员技能，磁粉与涡流检测对材料有局限。它们在处理形状复杂的工件或在光照、温度、表面污染等环境变化下也会遇到挑战。随着工业对快速、持续质量控制需求的增长，单靠这些传统工具已无法满足所有场景。

面向焊缝的智能相机兴起

近年深度学习的进展使得直接从图像中检测缺陷成为可能，这些算法最初为日常物体识别而开发。其中，一阶段检测器（如 YOLO 系列）因在精度与速度间的良好折衷而备受工厂青睐。然而，焊缝图像带来独特挑战：背景常被锈斑、污渍和涂层干扰；缺陷极小且密集分布；且缺陷类型在形状与纹理上差异大。现成模型要么漏检细微缺陷，要么将噪声误判为真实损伤，或者模型过于庞大，难以在中等 GPU 或嵌入式设备上部署。

更精简的大脑、更敏锐的视觉

作者在最新的 YOLOv11 模型基础上进行改造，推出针对焊缝表面缺陷高效检测的 YOLO-Air。首先对网络的骨干网进行重构，骨干网是网络最先处理图像的部分。一个新的特征提取模块将两种思路结合：一种“ghost”机制通过复用简单变换以低成本生成额外特征图；另一种动态滤波机制根据输入自适应调整，突出与真实缺陷相关的模式，同时抑制干扰性背景细节。这使模型在不同尺寸与形状的缺陷上获得更丰富的表征，而无需增加计算负担。

加速信息流动

接着，团队对网络中负责融合粗全局信息与细粒度细节的中间部分（称为 neck）进行了轻量化。他们用分组卷积和通道打乱（shuffled）卷积替代了更重的操作，鼓励通道间共享信息同时削减不必要的计算。重新设计的聚合模块进一步简化了不同尺度特征的组合方式。这些改变共同减少了模型处理时的冗余，使其能够在嘈杂的焊缝表面上跟踪分布广泛的微小缺陷，同时保持极快的运行速度。

面向实时的精简输出层

最后，作者简化了检测头——将内部特征转换为边界框和缺陷判断的部分。他们用部分处理方案替代对每个通道应用完整卷积的做法，仅对通道子集进行处理，其余通道原样传递。此举削减了模型参数与浮点运算量的主要部分，同时保留了定位与分类缺陷所需的关键信息。结果是一个既紧凑又响应迅速的检测器，适合用于对每毫秒都有要求的生产线在线监测。

新系统的性能如何

为了评估 YOLO-Air，研究人员在两个公开的金属表面缺陷数据集上进行了测试：一个以焊缝为主，另一个涵盖一般钢带缺陷。与一系列经典与现代检测模型比较——包括多个版本的 YOLO 与基于变换器的设计——YOLO-Air 在精度、速度与模型体积之间表现出最佳平衡。在焊缝图像上，相较于 YOLOv11 基线，其检测质量提升约一个百分点，同时参数数量减少超过 17%，计算负载降低近三分之一。它还能维持数百帧每秒的吞吐量，轻松满足实时需求。统计检验证明这些提升并非偶然。

对工业的意义

就实际应用而言，YOLO-Air 表明可以构建既智能又节俭的焊缝检测系统，能在普通显卡或嵌入式处理器上运行而不牺牲可靠性。通过更好地区分真实缺陷与无害表面干扰并捕捉非常小的缺陷，它有望减少漏检与不必要的修补。尽管该模型尚未在工厂规模全面部署，研究指出了一条清晰路径——朝向紧凑的基于相机的检测器持续守护关键焊接结构的质量。

引用: Zhang, R., Pan, C., Chen, Z. et al. An improved lightweight YOLOv11 algorithm for weld surface defect detection. Sci Rep 16, 11440 (2026). https://doi.org/10.1038/s41598-026-41568-2

关键词: 焊缝缺陷检测, 工业视觉, 轻量化深度学习, YOLO 目标检测, 质量检验自动化