AFFS-YOLO模型在PCBN工具缺陷檢測(cè)中的應(yīng)用

聚晶立方氮化硼（PCBN）工具因其高硬度和脆性特性，在激光切割過(guò)程中易產(chǎn)生崩邊、裂紋、燒蝕等缺陷，傳統(tǒng)人工檢測(cè)和機(jī)械接觸式方法效率低下且精度不足。本研究提出基于漸進(jìn)融合策略的AFFS-YOLO模型，通過(guò)三重核心創(chuàng)新實(shí)現(xiàn)高精度缺陷檢測(cè)。在主干網(wǎng)絡(luò)中，融合SE注意力機(jī)制與C3模塊構(gòu)建C3SE結(jié)構(gòu)：利用全局平均池化壓縮特征圖，通過(guò)兩層全連接層學(xué)習(xí)通道間非線性依賴關(guān)系，最終以縮放操作自適應(yīng)調(diào)整特征權(quán)重，顯式建模特征通道相關(guān)性，使網(wǎng)絡(luò)聚焦關(guān)鍵缺陷特征。頸部網(wǎng)絡(luò)采用漸進(jìn)特征金字塔網(wǎng)絡(luò)（AFPN）替代傳統(tǒng)FPN，通過(guò)自適應(yīng)空間融合（ASFF）實(shí)現(xiàn)非相鄰層特征直接交互，以空間權(quán)重系數(shù)動(dòng)態(tài)融合不同層級(jí)特征，顯著提升模型對(duì)0.2mm級(jí)微小裂紋和5mm級(jí)大面積燒蝕的跨尺度檢測(cè)能力。檢測(cè)頭引入Soft-NMS軟抑制機(jī)制，采用衰減函數(shù)替代硬閾值，當(dāng)預(yù)測(cè)框與最高分框IoU超限時(shí)按比例降低置信度，有效解決密集缺陷漏檢問(wèn)題。

實(shí)驗(yàn)基于自建專用數(shù)據(jù)集展開(kāi)：使用2000萬(wàn)像素電子顯微鏡采集Covington光纖激光切割機(jī)加工的PCBN工具圖像，標(biāo)注燒蝕、崩邊、雜質(zhì)、裂紋四類缺陷共2976張圖像，在NVIDIA RTX3090硬件環(huán)境下進(jìn)行訓(xùn)練。結(jié)果表明，模型mAP@0.5達(dá)86.1%，較基準(zhǔn)YOLOv5提升5.6個(gè)百分點(diǎn)。其中崩邊和裂紋檢測(cè)精度達(dá)93.6%，燒蝕和雜質(zhì)分別為76.2%和81.0%。消融實(shí)驗(yàn)驗(yàn)證各模塊貢獻(xiàn)：C3SE模塊提升mAP 1.7%，AFPN提升1.1%，Soft-NMS有效優(yōu)化重疊缺陷處理?？梢暬治鲲@示，損失函數(shù)在20輪訓(xùn)練后穩(wěn)定收斂，但混淆矩陣表明模型對(duì)紋理干擾下的燒蝕缺陷存在誤判（精度77%），此為本研究主要局限。

未來(lái)工作將聚焦三方面改進(jìn)：針對(duì)數(shù)據(jù)集樣本不足問(wèn)題（崩邊缺陷僅200張），開(kāi)發(fā)小樣本遷移學(xué)習(xí)技術(shù)；探索知識(shí)蒸餾方案壓縮模型參數(shù)量至5M以下，適配工業(yè)邊緣設(shè)備部署；融合紅外熱成像等多模態(tài)數(shù)據(jù)提升燒蝕類缺陷判別能力。該模型以86.1%的檢測(cè)精度為PCBN工具質(zhì)控提供新范式，其漸進(jìn)融合策略對(duì)精密陶瓷、半導(dǎo)體材料缺陷檢測(cè)具有重要推廣價(jià)值。