基于局部与全局特征融合的工业热电制冷器组件缺陷视觉Transformer检测器

为解决热电制冷器(TEC)组件制造过程中微小、多样且随机分布的缺陷检测难题，研究人员提出局部特征增强与特征融合网络(LFEFFN)，通过融合卷积神经网络(CNN)与Transformer架构，在4800张图像的自建数据集上实现94.73%的Top-1准确率，其跨域验证在DAGM 2007数据集达85.62%，为工业质检提供高效解决方案。

　　

热电制冷器(TEC)作为电子、航天等领域温度控制的核心元件，其毫米级组件的制造缺陷会直接影响性能寿命。当前依赖人工目检的方法效率低下，传统机器学习对微小裂纹识别率不足，而纯卷积神经网络(CNN)又难以捕捉全局特征。更棘手的是，实际产线中存在光照波动、角度偏移等干扰，现有YOLOv3-ResNet等模型在复杂环境下性能骤降。

针对这些痛点，研究人员开发了局部特征增强与特征融合网络(LFEFFN)。该模型创新性地将CNN的局部感知优势与Transformer的全局建模能力相结合：通过改进的序列化块嵌入模块(SPEM)增强小样本泛化能力，采用深度可分离卷积构建局部特征提取模块(LFEM)，并设计全局-局部特征融合模块(GLFM)实现跨尺度信息交互。在自建的4800张TEC缺陷数据集（含7类缺陷）上，模型展现出94.73%的Top-1准确率与0.934的宏平均F1值，且在±50%光照变化、±30°旋转等严苛测试中性能波动小于2%。

关键技术包括：1) 基于仿射变换与重叠卷积的块嵌入改进；2) 轻量化多头自注意力(Lightweight MHSA)机制；3) 跨域验证采用DAGM 2007公开数据集；4) 部署阶段实现单图0.05秒推理速度。

【网络架构】
通过彩色标注的模块图示显示，LFEFFN采用四阶段架构：CMT Stem模块通过3×3卷积捕捉初始局部特征；SPEM模块采用k=2的步长卷积实现层级降采样；LFEM模块利用3×3深度可分离卷积(DW Conv)强化微缺陷特征；GLFM模块通过1×1卷积实现特征通道交互。

【实验验证】
在i7-10700F/RTX 2080Ti硬件环境下，模型训练采用分层采样策略。对比实验显示，LFEFFN较纯Transformer架构计算量降低37%，较ResNet50在微裂纹检测中准确率提升8.2%。消融实验证实LFEM模块使小目标召回率提升12.6%。

【结论】
该研究首次将混合架构成功应用于TEC工业质检，其创新点在于：1) 通过SPEM实现有限数据下的高效特征提取；2) LFEM-GLFM协同机制解决微缺陷漏检问题；3) 轻量化设计满足产线实时性需求。论文发表于《Pattern Recognition Letters》，为工业缺陷检测提供了新范式，尤其对半导体、精密制造等领域的微型组件质检具有重要参考价值。