ELTDF-Net: a PAUT welding defect detection model based on locally perceptual residual gating and multi-frequency convolutional attention Yang Liu, Guodong Li, Ye Li, Cuirong Liu & Yan Li

一、【导读】

锅炉水冷壁的小径管焊接接头堪称工业设备的“生命线”，一个未熔合、裂纹的微小缺陷，就可能引发介质泄漏、管体爆裂的大事故！可焊接内部缺陷藏得深、看得难，传统光学检测根本“够不着”，相控阵超声检测（PAUT）虽能捕捉内部特征，却又被噪声干扰、低光区特征模糊、晶界散射和缺陷频谱重叠这三大“拦路虎”绊住脚，连深度学习模型都容易看走眼，这工业安全检测的难题，到底该怎么破？这篇论文就为大家量身打造了一款“焊接缺陷火眼金睛”——ELTDF-Net智能检测模型，专治PAUT图像检测的各种“疑难杂症”！它可不是单一技能加持，而是带着三大创新模块的“全能选手”，层层破解检测难题：ECCR多通道感知局部特征模块：像给模型装了“多尺度放大镜”，融合多尺度空洞卷积和动态通道校准，精准捕捉毫米级微小缺陷，再也不会被噪声分散注意力，解决注意力偏移问题；LCRB残差门控机制：打造亮度-噪声“分离净化器”，通过门控特征融合抑制频域混叠噪声，还能强化低光区的特征关联，让暗区的缺陷特征无处遁形；TVconv-CA多频域卷积注意力模块：练就“频域辨物”绝技，结合频域分析和空间自适应卷积，把缺陷的低频形态特征放大，再把高频散射噪声压下去，完美区分晶界散射和真实缺陷。

为了验证这款“火眼金睛”的真本事，研究团队拉满实验配置，在1个工业实测私有数据集（PAUT-Welds，太原锅炉厂实地采集，5类焊接缺陷）+3个公开工业缺陷数据集（NEU-CLS-64、NEU-CLS、磁瓦数据集）上展开全方位测试，还和ConvMixer、Convnext v2、Eva-02等10款主流模型同台比拼，结果惊艳全场： PAUT-Welds工业实测集：Top-1准确率86.36%，AUC值0.96，精确率、召回率、F1-score全面领先，把第二名远远甩在身后；NEU-CLS-64集：Top-1准确率97.44%，细粒度识别能力拉满；NEU-CLS集：直接拿下100%的全指标满分，完美识别；磁瓦数据集：Top-1准确率84.97%，较次优模型提升5.19个百分点，精准率和召回率的平衡度最优。不仅如此，研究团队还做了消融实验，证实三大模块是“1+1+1>3”的协同效果，少一个都达不到最优性能；通过特征热力图可视化，能清晰看到ELTDF-Net对缺陷区域的聚焦能力远超传统ResNet50，缺陷特征响应更强烈。更贴心的是，团队还把模型核心算法封装成了相控阵焊接缺陷智能分类系统，有友好的交互界面，能实时预测、可视化结果，直接落地工业现场，从理论创新变成了能实际用的生产力工具！

说到底，这款ELTDF-Net模型，就是为工业超声相控阵焊接缺陷检测量身定制的“智能检测专家”，既解决了人工判断误检率高、传统模型能力不足的老问题，又实现了检测精度、效率和工程实用性的三重提升，为工业无损检测的高精度需求提供了全新的解决方案，让焊接缺陷再也逃不过“智能法眼”！

二、【成果掠影】

ELTDF-Net: 一种基于局部感知残差门控多频域卷积注意力 PAUT 焊接缺陷检测模型

发表期刊：[Nondestructive Testing and Evaluation]

论文提出面向锅炉水冷壁小径管 PAUT 焊缝缺陷检测的 ELTDF-Net 模型，通过 ECCR 多通道感知、LCRB 残差门控、TVconv-CA 多频域卷积注意力三模块协同，有效解决噪声干扰、低光特征弱化、晶界散射与缺陷频谱重叠三大检测难题。在太原锅炉厂实地采集的 PAUT-Welds 数据集上，模型 Top-1 准确率达86.36%、AUC 为0.96，精确率、召回率与 F1-score 全面领先 11 种主流模型；在 NEU-CLS-64、NEU-CLS、磁瓦公开数据集上，Top-1 准确率分别达到97.44%、100%、84.97%，泛化性与细粒度识别能力突出。消融实验验证三模块呈现1+1+1>3协同增益，特征可视化表明模型对缺陷区域聚焦能力显著优于基线 ResNet50，误检与漏检率大幅降低。基于该模型开发的相控阵焊接缺陷智能分类系统已完成工程封装，支持数据导入、实时预测与结果可视化，置信度达98%，可直接落地工业现场，为 PAUT 智能无损检测提供高精度、高实用性的新方案。

三、【核心创新点】

论文核心关键发现：

1. 模型检测性能显著领先：提出的ELTDF-Net在PAUT焊接缺陷检测任务中表现卓越，在工业实测PAUT-Welds数据集上Top-1准确率达86.36%（AUC值0.96），在NEU-CLS-64、NEU-CLS、磁瓦（MT）公开数据集上Top-1准确率分别达97.44%、99.72%、84.97%，全面优于ConvMixer、Eva-02、Res2Net等11款主流模型，在精确率、召回率、F1-score上实现三维度领先，鲁棒性和细粒度识别能力突出。

2. 三大创新模块实现分层协同增效：ECCR、LCRB、TVconv-CA三模块基于ResNet50基线形成层次化特征增强协同效应，联合启用使模型Top-1准确率较基线提升6.36个百分点；各模块针对性解决PAUT检测核心痛点，ECCR解决注意力偏移、强化毫米级缺陷梯度响应，LCRB实现亮度-噪声解耦、增强低光区特征关联，TVconv-CA分离晶界散射与缺陷频谱、强化低频缺陷特征并抑制高频噪声。

3. 特征表征与判别能力大幅提升：经T-SNE可视化验证，ELTDF-Net能让缺陷特征分布更聚集、类别分离更显著；特征热力图显示，模型对缺陷区域的特征响应远强于传统ResNet50，可精准聚焦缺陷核心区域，大幅降低假阳性、假阴性误判，在复杂背景和噪声干扰下的特征提取能力显著优于基线模型。

4. 模型泛化性与工程实用性兼备：ELTDF-Net在工业实测数据集和多类型、多缺陷的公开工业数据集上均保持高性能，泛化能力远超同类模型（如Mff仅单数据集表现优异，其余数据集性能拉胯）；基于模型核心算法开发的相控阵焊接缺陷智能分类系统，实现数据导入、实时预测、结果可视化等工业级功能，置信度达98%，完成从理论算法到工程应用的闭环，满足工业现场检测需求。

四、【数据概览】

五、【成果启示】

ELTDFNet 通过三模块协同，攻克 PAUT 焊缝缺陷检测噪声干扰、弱光特征模糊、晶界散射与缺陷谱重叠难题，检测精度、鲁棒性与细粒度识别全面领先主流模型。完成算法到工业智能检测系统的闭环转化，可实时预测与可视化，满足现场高精度无损检测需求。显著降低误报漏报，实现检测精度、效率、实用性三重提升，为工业焊缝安全检测提供标准化智能方案。

未来研究前景有，可拓展至多场景工业超声 / 电磁无损检测，适配更多特种设备缺陷识别。轻量化与边缘部署优化，实现现场端侧实时智能检测。结合小样本 / 跨域学习，提升复杂工况泛化能力，构建全流程智能检测体系。

ELTDF-Net: a PAUT welding defect detection model based on locally perceptual residual gating and multi-frequency convolutional attention Yang Liu, Guodong Li, Ye Li, Cuirong Liu & Yan Li

相关文章

取消回复