基于数字孪生与混合深度学习的智能制造小物体检测技术研究

为解决智能制造中数字孪生(DT)实时监测与复杂环境下小物体检测的难题，研究人员提出了一种结合自适应拉普拉斯高斯双边滤波(Ad-GaBF)、优化YOLO姿态检测网络(Op-YoCViT)和切比雪夫列维白鲸优化算法(ChL-WBO)的混合深度学习框架。该模型在虚拟映射中实现了98.31%的检测准确率，为工业4.0提供了高精度数字孪生解决方案。

　　

在工业4.0浪潮下，智能制造面临物理与虚拟空间协同的严峻挑战。传统小物体检测方法如YOLOv3、MobileNetv2存在计算资源浪费、特征丢失等问题，而数字孪生(DT)技术虽能桥接虚实世界，却受限于实时评估困难。这一矛盾促使研究人员探索更高效的解决方案。

中国的研究团队在《Expert Systems with Applications》发表研究，创新性地将自适应拉普拉斯高斯双边滤波(Ad-GaBF)用于实时图像降噪，开发了融合扩张卷积变换器与YOLO的Op-YoCViT模型，并采用切比雪夫列维白鲸优化(ChL-WBO)算法调参。通过采集工业现场数据构建数字孪生系统，实现了物理空间到虚拟空间的精准映射。

Related works
文献综述指出，现有DT研究多集中于理论层面，Zhou等提出的YOLOv4-MobileNetv2组合存在背景复杂干扰问题，而传统CPS系统难以满足实时性需求。

Proposed methodology
研究架构分四阶段：Ad-GaBF滤波消除噪声；Op-YoCViT同步检测物体与人体姿态；ChL-WBO优化超参数；DT系统完成虚实数据映射。其中Op-YoCViT创新性地整合了OpenPose网络与ViT模块。

Results and Discussion
实验显示模型关键指标显著提升：准确率98.31%、精确度99.10%、mAP 77.01%，较传统方法提高约20%。DT环境下的实时检测延迟降低至毫秒级。

Conclusion
该研究突破性地将混合深度学习与DT技术结合，解决了智能制造中小物体检测的实时性难题。ChL-WBO算法使模型参数优化效率提升35%，为工业4.0提供了可扩展的数字化解决方案。未来可进一步探索多模态传感器融合在DT中的应用。