引言

焊接技术[1-2]因其工艺便捷、成本较低等优势，已成为制造业的关键连接手段，广泛应用于汽车制造、建筑工程与载人航天等领域[3]。然而，焊接过程易受环境条件、操作水平及设备状态等因素影响，焊缝中可能产生气孔、飞溅等典型缺陷[4-5]。焊接接头作为结构体系的薄弱环节，其缺陷会削弱构件承载性能并诱发破坏，严重时可导致如钢箱梁桥坍塌等灾难性事故，造成重大人员伤亡与经济损失。因此，焊缝缺陷检测是结构构件质量控制与安全保障的必要环节。现有焊缝无损检测方法主要包括目视检测、超声检测与X射线检测等[6]，但上述方法往往依赖专用设备或人工经验判读，存在检测效率低、劳动强度大且受主观因素影响显著等问题，易导致缺陷识别结果不一致。基于此，开展焊缝缺陷的实时、快速与高精度智能检测研究具有重要的工程应用价值与现实意义。

深度学习的迅速发展为焊缝表面缺陷检测提供了创新且有效的手段[7-8]。由于其出色的特征提取能力，深度学习已被广泛应用于焊缝表面缺陷检测。其中，被广泛采用的模型包括Mask R-CNN、RetinaNet、CornerNet以及YOLO(You Only Look Once)系列[9-10]。YOLO展现出了更优的检测速度和精度[11]。随着YOLO系列模型的不断进步和迭代升级，其检测速度和精度得到了显著提升[12]。YOLO采用单阶段检测框架，可在端到端推理过程中同时完成目标定位与类别预测，显著降低计算开销与推理时延，从而为目标检测算法的工程化与工业化部署提供了可行路径。郝洪坤等[13] 对YOLOv8s进行改进，提出了GU-YOLO(Global Upper YOLO)模型,增强了网络提取小目标特征的能力。徐胜军等[14]提出一种基于改进YOLOv9的焊缝缺陷检测方法，通过自注意力机制的远距离内容感知和灵活的计算分配，增强主分支网络在复杂背景下提取目标与背景特征的能力。张润梅等[15]提出一种改进自YOLOv8的焊缝表面缺陷检测算法(GD-YOLO)，引进特征提取模块与卷积模块融合，增强模型信息的提取能力；改用损失函数Inner-SIoU，解决边界框不匹配的问题。岳剑峰等[16]提出了一种基于YOLOv8改进的YOLO-DEFW模型，引入高效多尺度注意力（EMA）机制，增强模型对不同尺度焊缝缺陷，尤其是对小特征的识别能力。李强华[17]在YOLOv7模型的基础上，提出了一种融合GhostNet V2和组混合卷积（GSConv）模块的轻量化模型，在主干特征提取网络中用C3GhostNet V2模块替换ELANB模块，在不改变输出特征图和通道大小的前提下，减少了卷积层的参数量、计算量；在检测头中，用GSConv卷积设计的GSELANN模块部分替换原始ELANN模块，减少冗余和重复的信息，从而降低计算成本，实现轻量化。刘洋凯等[18]提出了WD-YOLOv11n焊缝缺陷检测算法，在模型颈部设计动态上采样模块（DySample）来实现特征图的学习型上采样，使深层特征与浅层特征融合更加精确高效。Huang等[19]提出了一种基于YOLOv8n的轻量级WAAM焊缝表面缺陷检测算法，称为高替代新型YOLO（HAN-YOLO），采用轻量级可替代可变卷积（AAKConv）来提高检测精度，同时减少模型参数和复杂性。Xu等[20]提出了一种基于YOLOv8n的快速且有效的轻量级检测模型，名为LightYOLO，使用GSConv来构建颈部的特征融合结构，这提高了多级特征的融合效率。龙凌等[21]提出了基于轻量化YOLO网络的实时X射线焊缝缺陷检测方法，将切割的小图输入到缺陷检测网络中进行精准的缺陷检测。

上述研究表明，随着深度学习技术的持续发展，目标检测算法在工业缺陷检测领域的应用范围不断拓展。本文以YOLOv11为基准框架，在模型结构中引入SEAMHead（Spatial and Channel-wise Attention Module Head）与WaveletPool模块，以提升焊缝缺陷检测的特征表征能力与复杂场景适应性。其中，SEAMHead通过空间与通道注意力机制自适应强化缺陷相关的显著区域，抑制冗余背景干扰，从而增强模型对焊缝缺陷边界与细节信息的感知能力；WaveletPool模块利用小波变换对特征图进行多尺度分解，有效提取不同尺度下的纹理与结构信息，提高模型在复杂背景条件下对焊缝关键特征的捕获能力。

本文详细内容请下载：

http://www.chinaaet.com/resource/share/2000007230

作者信息：

吕翔1，苏维军1，王晓晓1，尹超2，袁梁钰2，李琳2

（1.中国建筑第二工程局有限公司， 北京 100160；

2.合肥工业大学 土木与水利工程学院， 安徽 合肥 230009）