AFFS-YOLO模型在PCBN工具缺陷檢測中的應用

聚晶立方氮化硼（PCBN）工具因其高硬度和脆性特性，在激光切割過程中易產(chǎn)生崩邊、裂紋、燒蝕等缺陷，傳統(tǒng)人工檢測和機械接觸式方法效率低下且精度不足。本研究提出基于漸進融合策略的AFFS-YOLO模型，通過三重核心創(chuàng)新實現(xiàn)高精度缺陷檢測。在主干網(wǎng)絡中，融合SE注意力機制與C3模塊構建C3SE結構：利用全局平均池化壓縮特征圖，通過兩層全連接層學習通道間非線性依賴關系，最終以縮放操作自適應調(diào)整特征權重，顯式建模特征通道相關性，使網(wǎng)絡聚焦關鍵缺陷特征。頸部網(wǎng)絡采用漸進特征金字塔網(wǎng)絡（AFPN）替代傳統(tǒng)FPN，通過自適應空間融合（ASFF）實現(xiàn)非相鄰層特征直接交互，以空間權重系數(shù)動態(tài)融合不同層級特征，顯著提升模型對0.2mm級微小裂紋和5mm級大面積燒蝕的跨尺度檢測能力。檢測頭引入Soft-NMS軟抑制機制，采用衰減函數(shù)替代硬閾值，當預測框與最高分框IoU超限時按比例降低置信度，有效解決密集缺陷漏檢問題。

實驗基于自建專用數(shù)據(jù)集展開：使用2000萬像素電子顯微鏡采集Covington光纖激光切割機加工的PCBN工具圖像，標注燒蝕、崩邊、雜質(zhì)、裂紋四類缺陷共2976張圖像，在NVIDIA RTX3090硬件環(huán)境下進行訓練。結果表明，模型mAP@0.5達86.1%，較基準YOLOv5提升5.6個百分點。其中崩邊和裂紋檢測精度達93.6%，燒蝕和雜質(zhì)分別為76.2%和81.0%。消融實驗驗證各模塊貢獻：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輪訓練后穩(wěn)定收斂，但混淆矩陣表明模型對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。

未來工作將聚焦三方面改進：針對數(shù)據(jù)集樣本不足問題（崩邊缺陷僅200張），開發(fā)小樣本遷移學習技術；探索知識蒸餾方案壓縮模型參數(shù)量至5M以下，適配工業(yè)邊緣設備部署；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%的檢測精度為PCBN工具質(zhì)控提供新范式，其漸進融合策略對精密陶瓷、半導體材料缺陷檢測具有重要推廣價值。