Ye Li ,Jing Wen ,Bingxin Li ,Guodong Li , Junlin Wang and Yan Li,
一、【导读】
在工业制造领域，焊接结构被广泛应用于压力容器、石油管道、锅炉设备、轨道交通以及航空航天等关键场景，而焊缝质量则直接决定着整个装备系统的安全性与稳定性。尤其在高温、高压、强腐蚀等复杂工况下，一条仅有毫米级宽度的微小裂纹、一个肉眼难以察觉的未熔合缺陷，都有可能在长期运行过程中不断扩展，最终引发管道泄漏、设备失效甚至重大工业安全事故。可以说，焊缝缺陷检测不仅关系到工业产品质量，更关系到工业生产安全与人员生命安全，因此被称为工业装备的“安全生命线”。
然而，真正的焊缝缺陷检测远没有想象中那么简单。由于大多数缺陷往往隐藏在焊缝内部，传统光学检测方法难以直接观测，而超声相控阵检测（Phased Array Ultrasonic Testing，PAUT）虽然能够通过超声波成像实现内部缺陷探测，却依然面临诸多技术挑战。尤其在复杂工业场景中，焊缝区域普遍存在结构噪声强、材料散射波复杂、背景纹理干扰严重等问题，再加上裂纹、气孔、未熔合等缺陷本身尺寸小、边缘模糊、灰度对比度低，使得检测任务变得异常困难。
更棘手的是，传统深度学习模型虽然在自然图像识别领域取得了巨大成功，但面对PAUT焊缝图像时却常常“水土不服”。一方面，小目标缺陷容易被多层卷积过程中的下采样操作逐渐淹没，导致微弱特征难以保留；另一方面，焊缝内部复杂噪声与缺陷纹理在频域中高度重叠，模型很容易把晶界散射误判为真实缺陷，或者将真实缺陷误当成背景噪声，从而产生误检与漏检问题。此外，不同尺度缺陷之间的特征融合难以平衡，大尺度结构信息往往会压制小缺陷特征响应，使得模型对微小裂纹、低对比度缺陷的识别能力进一步下降。
面对这些工业检测中的“老难题”，如何让模型既能够精准聚焦微弱缺陷，又能够在复杂噪声背景下保持稳定检测性能，成为当前工业智能无损检测领域的重要研究方向。
为了解决上述问题，论文提出了一种基于多阶交叉注意力的焊接缺陷解耦检测模型——MO-CADDOD（Multi-Order Cross Attention Decoupled Detector）。这套模型可以理解为一位专门面向工业焊缝场景打造的“智能缺陷识别专家”，不仅能够在复杂背景中精准锁定缺陷区域，还能够对不同尺度、不同类型缺陷进行自适应特征增强，实现对低对比度、小目标焊接缺陷的高精度检测。
其中，论文提出的DCA（Dynamic Cross Attention）动态交叉注意力模块，就像给模型装上了一套“跨尺度缺陷追踪雷达”。它通过跨通道、跨空间与跨尺度的联合注意力机制，动态增强关键缺陷区域特征，让原本容易被背景噪声掩盖的微弱缺陷重新“显现出来”。无论是低信噪比裂纹，还是边缘模糊的未熔合缺陷，DCA模块都能够有效提升其特征响应能力，同时抑制焊缝结构噪声与材料散射干扰。
与此同时，论文还设计了MOGA（Multi-Order Gated Aggregation）多阶门控聚合模块，可以看作模型中的“多尺度特征调度中心”。该模块利用多阶深度可分离卷积获取不同感受野信息，并结合动态门控机制，自适应调整不同尺度特征的重要程度。这样一来，大尺寸缺陷与微小缺陷之间的特征表达能够得到有效平衡，避免传统特征融合过程中“小目标被大特征淹没”的问题，从而显著提升模型对复杂缺陷的整体检测能力。
为了验证模型的真实性能，研究团队在自建工业超声相控阵数据集PAUT-Welds，以及X-Ray、SteelPipeX-Ray等多个工业缺陷数据集上展开系统实验，并与DDQ、ATSS、DINO、RT-DETRv2、SparseR-CNN等多种主流目标检测模型进行全面对比。实验结果表明，MO-CADDOD在复杂焊接缺陷检测任务中表现出明显优势，不仅在检测精度、召回率与泛化能力方面全面领先，还能够在复杂噪声背景下保持稳定性能。
更重要的是，这项研究并不仅仅停留在“论文指标提升”层面，而是真正面向工业场景实际需求展开设计。模型兼顾检测精度与鲁棒性，能够适应超声与X射线等不同工业成像模态，具备良好的工程应用潜力。未来，随着工业智能检测需求不断增长，该方法还有望进一步结合轻量化部署、边缘计算与实时在线检测技术，应用于压力容器、能源装备、轨道交通、航空航天等更多关键工业场景，为工业无损检测智能化发展提供新的技术支撑。
二、【成果掠影】
基于多阶交叉注意力的焊缝缺陷解耦检测模型缺陷检测方法
发表期刊：[Engineering Research Express]
面对超声相控阵（PAUT）焊缝检测中“小目标难识别、低对比度缺陷易漏检、复杂背景噪声干扰严重”等工业难题，论文提出了一种多阶交叉注意力解耦检测模型——MO-CA DDOD。
该模型基于DDOD框架进行改进，通过动态交叉注意力模块（DCA）与多阶门控聚合模块（MOGA）双模块协同，实现对复杂焊接缺陷的精准识别与多尺度特征增强。
其中：DCA模块通过跨尺度、跨通道与空间维度联合注意力机制，动态增强低对比度缺陷响应，有效抑制焊缝结构噪声与材料散射波干扰；MOGA模块利用多阶深度可分离卷积与门控聚合机制，动态平衡不同尺度缺陷特征权重，避免微小缺陷特征被大尺度背景信息淹没。
为验证模型性能，研究团队在自建工业超声相控阵数据集PAUT-Welds，以及Steel Pipe X-Ray、X-Ray两类公开工业缺陷数据集上展开系统实验，并与DDQ、DINO、Atss、RT-detrv2、Sparse R-CNN等11种主流检测模型进行全面对比。
实验结果表现突出：
在PAUT-Welds数据集上，MO-CA DDOD模型mAP@0.5达到84.5%，Precision达61.7%，Recall达62.3%，综合性能位列所有对比模型第一；相较基线DDOD，DCA与MOGA双模块协同使mAP@0.5提升3.8个百分点，Recall提升7.3个百分点；
在X-Ray与Steel Pipe X-Ray数据集上，模型mAP分别达到68.6%与69.0%，展现出优异跨模态泛化能力；
P-R曲线、热力图与特征可视化结果显示，MO-CA DDOD对裂纹、气孔、未熔合等弱缺陷区域具有更强特征聚焦能力，在复杂噪声背景下仍能保持高精度检测性能。
此外，模型在复杂工业环境中表现出良好的鲁棒性与稳定性，对低信噪比、小尺度、边缘模糊缺陷具有明显检测优势，为工业超声相控阵焊缝智能检测提供了一种高精度、高可靠性的解决方案。
三、【核心创新点】
1、提出动态交叉注意力模块（DCA）：针对传统特征融合方法难以适应复杂焊缝背景的问题，论文设计了DCA动态交叉注意力模块，通过跨尺度、跨通道与空间维度的联合注意力机制，实现缺陷区域特征的自适应增强。该模块能够有效抑制焊缝结构噪声、材料散射波以及伪影干扰，对低对比度裂纹、微小气孔等弱缺陷具有更强特征响应能力，显著降低误检与漏检问题。
2、提出多态门控聚合模块（MOGA）：针对多尺度缺陷特征融合失衡问题，论文提出MOGA多阶门控聚合模块，通过多阶深度可分离卷积获取不同感受野特征，并结合动态门控机制实现特征权重自适应分配。该模块能够同时保留微小缺陷细节信息与大尺度缺陷边缘特征，避免传统融合方法中“小目标特征被淹没”的问题，实现多尺度缺陷的精细化检测。
3、实现复杂工业场景下的高鲁棒性缺陷检测：MO-CA DDOD在PAUT-Welds、X-Ray、Steel Pipe X-Ray三类不同工业缺陷数据集上均取得优异性能，证明模型具备较强跨模态泛化能力。其中：PAUT-Welds数据集mAP@0.5达84.5%；X-Ray数据集mAP达68.6%；Steel Pipe X-Ray数据集mAP达69.0%。相比DDQ、ATSS、DINO等主流模型，MO-CA DDOD在复杂背景、小目标与低对比度缺陷场景下表现出更强鲁棒性与检测稳定性。
4、双模块协同实现“1+1＞2”性能增益消融实验结果表明：单独引入DCA后，mAP@0.5提升2.3个百分点；单独引入MOGA后，mAP@0.5提升1.2个百分点；双模块联合后，mAP@0.5总提升达到3.8个百分点，Recall提升7.3个百分点。特征热力图进一步验证，DCA与MOGA协同后，模型对缺陷区域的关注更加集中，背景噪声响应显著减少，对裂纹、未熔合等复杂缺陷的定位更加精准。
四、【数据概览】
图 1Typical ultrasonic phased array images:(a)air-hole;(b)crack;(c)non-critical;(d)incomplete-penetration;(e)unfused.
图 2Schematic diagram of the architecture of Multi-Order Cross-Attention Decoupled Detector (MO-CA DDOD).
图 3Schematic diagram of the structure of the Dynamic Cross-Attention module.
图 4Schematic diagram of the structure of the Multi-Order Gated Aggregation module.
图 5PAUT-Welds dataset examples:
(a)air-hole;(b)crack;(c)non-critical;(d)incomplete-penetration;(e)unfused.
图 6Visual comparison of different models on the PAUT-Welds dataset.
图 7P-R curves of different models on the PAUT-Welds dataset.
图 8Examples of X-ray weld defect datasets:(a)Steel Pipe X-Ray dataset;(b)X-Ray dataset.
图 9Comparison of P-R curves of various models:(a)X-Ray dataset;(b)Steel Pipe X-Ray dataset.
图 10Visualization of weld defect detection results under multi-module integration.
图 11P-R curves of different schemes.
(a)Scheme A (Basic DDOD);(b)Scheme D (MO-CA DDOD).
图 12Feature response heatmap visualization (Scheme A vs. Scheme D).
图 13Feature response visualization of multi-modal defect detection:
(a)Steel Pipe X-Ray;(b)X-Ray.
五、【成果启示】
MO-CA DDOD通过动态交叉注意力与多阶门控聚合双模块协同，有效解决了超声相控阵焊缝检测中的低对比度缺陷难识别、多尺度特征融合失衡以及复杂背景噪声干扰等关键问题，在检测精度、鲁棒性与泛化能力方面均优于主流目标检测模型。
研究结果表明，该模型不仅能够精准识别裂纹、气孔、未熔合等复杂焊接缺陷，还能够在超声与 X 射线等不同工业成像场景中保持稳定性能，为工业无损检测智能化提供了新的技术路径。
同时，模型具备良好的工程应用潜力，可进一步结合轻量化网络、知识蒸馏与边缘部署技术，实现工业现场实时在线检测，满足高精度、高可靠性焊缝安全检测需求。
未来，该方法还可拓展至压力容器、航空航天、轨道交通等复杂工业场景中的智能缺陷检测任务，为工业智能无损检测体系建设提供重要参考。
论文地址：https://doi.org/10.1088/2631-8695/ae3056
