摘要：超声波焊接技术被广泛应用于工业制造领域，但焊接参数、设备状态和操作技术等因素常导致焊接缺陷多样化。为提高焊接效率，本研究基于深度学习提出了一种轻量级网络UWD-Net用于超声波焊接表面缺陷检测。首先，针对传统卷积在焊接缺陷检测中对细节信息不敏感、容易丢失关键细小缺陷特征的问题，本研究提出了一种新型分步注意力卷积模块SA-Conv。SA-Conv架构增强了模型对缺陷特征的感知能力，并降低了设备运算成本。其次，针对复杂焊接缺陷特征提取困难的问题，本研究设计了一种基于可变形卷积和SA-Conv的DCN-Module与WDFE-Module的缺陷特征提取网络。该网络在复杂背景下显著增强了对缺陷目标的表征能力，实现了对形状多变等特点的焊接缺陷特征的充分提取。最后实验结果定量与定性分析表明，UWD-Net在自建焊接缺陷数据集和NEU-DET公开数据集上均取得了优异的检测性能。在自建焊接缺陷数据集上，UWD-Net的F1值和mAP@0.5分别达到0.952和93.6%，而在NEU-DET数据集上，其F1值和mAP@0.5分别达到0.710和78.6%，均优于其它对比算法。此外，UWD-Net的模型参数量仅为1.818M，FPS达到145.80，充分实现了检测精度与推理速度的平衡，为工业环境下的实时缺陷检测与部署提供了有效支持。
文章目录
0 引言
1 方法
1.1 超声波焊接缺陷检测网络设计
1.2 分步注意力机制卷积架构
1.3 焊接缺陷特征提取网络
2 实验与分析
2.1 数据集与实验设计
2.2 消融实验
2.3 不同注意力机制对比实验
2.4 不同特征金字塔对比实验
2.5 与其它算法对比实验
3 结论
