《Applied Sciences》：Defect Detection for Laser-Trimmed Thick-Film Resistors in UPS Hall Current Sensors via Scale-Attention and Fine-Grained Feature Enhancement
编辑推荐：
不间断电源（UPS）霍尔效应电流传感器的生产过程采用激光调阻，即利用激光束对厚膜电阻进行物理切割以精确调整其阻值。然而在此过程中，电阻刻痕内可能出现残阻、短路、锯齿和毛刺等缺陷。这些缺陷会导致传感器的长期稳定性变差、噪声增大以及耐压能力下降。针对激光调阻后厚膜
不间断电源（UPS）霍尔效应电流传感器的生产过程采用激光调阻，即利用激光束对厚膜电阻进行物理切割以精确调整其阻值。然而在此过程中，电阻刻痕内可能出现残阻、短路、锯齿和毛刺等缺陷。这些缺陷会导致传感器的长期稳定性变差、噪声增大以及耐压能力下降。针对激光调阻后厚膜电阻缺陷的检测，现有方法依赖人工使用高倍显微镜进行目视检查。该方法存在效率低、主观性强、速度慢、操作人员易疲劳以及误检或漏检风险等问题。为解决上述问题，本研究提出一种基于改进YOLO11的检测方法。具体而言，引入空间到深度卷积（SPDConv）以保留细粒度特征，并将改进的C3k2模块与空洞明智残差（DWR）模块相结合以捕获多尺度信息。此外，利用四头自适应空间特征融合检测头（FASFFHead）设计额外的P2层，以增强对微小目标的感知能力。研究人员将该模型命名为DIA-YOLO（细节保留、交互注意力、聚合YOLO），这是一种专为微缺陷检测场景设计的高效目标检测模型。在实验中，研究人员利用生成式人工智能生成缺陷图像，并将所提方法与包括YOLO11、Faster R-CNN和RT-DETR在内的主流模型进行比较。所提模型取得了最高的平均精度均值（mAP），达95.2%，满足UPS电流传感电阻表面刻痕缺陷检测的精度要求。此外，在公开的NEU-DET数据集上的大量验证表明，所提方法具有较强的泛化能力，其精确率为0.802、召回率为0.783、mAP@0.5为0.793，优于所有基线模型。本研究为厚膜电阻刻痕缺陷检测提供了一种新途径。
**研究背景与问题** 为保障服务器机房、数据中心等关键基础设施持续获得高质量电力供应，三相不间断电源（UPS）系统的可靠性至关重要。霍尔效应电流传感器是UPS系统的核心部件，其制造过程中需通过激光束切割厚膜电阻以校准零输出与满量程增益电压。激光调阻会在刻痕处形成热影响区（HAZ），并可能产生残阻、短路、毛刺和锯齿等表面缺陷，导致寄生参数增大、信号失真以及局部放电与电流击穿风险上升，从而影响UPS的长期可靠性。现有检测主要依赖高倍显微镜人工目检，存在效率低、主观性强、速度慢、易疲劳及误检漏检等问题。传统机器视觉方法（模板匹配、形态学处理、边缘检测）因背景复杂需反复调参、泛化性差；基于支持向量机（SVM）、k近邻（k-NN）、随机森林等机器学习方法依赖人工特征提取，扩展性与泛化能力受限。为此，研究人员开展本项研究，旨在实现面向产线的自动化在线缺陷检测。**研究内容与结论** 研究人员提出改进的DIA-YOLO模型，通过引入SPDConv、DWR模块与自设计的FASFF检测头，并结合定制机械结构构建专用视觉检测系统，实现算法与硬件的协同设计与自研平台部署。离线评估中模型mAP@0.5达0.952、推理速度144 FPS；产线现场测试单件整体检测时间45 s。结果表明系统满足生产过程实时监测需求，在保持推理效率的同时提升了电阻表面缺陷检测的精度与鲁棒性。**关键技术方法** 研究采用自适应景深相机结合结构光照明构建图像采集系统，从两万余张产线图像中经严格筛选确认百余张真实缺陷样本；采用变量组合结合生成式人工智能（Midjourney v6.0图像到图像生成）扩充缺陷数据，经检验人员质量确认后构建混合数据集；以YOLO11为基线，引入SPDConv、嵌入DWR单元的C3k2-DWR模块以及含P2层的FASFF检测头；采用平均精度均值（mAP）、每秒帧数（FPS）、参数量与浮点运算量（FLOPs）等指标，开展对比实验、消融实验与NEU-DET泛化实验；并将模型部署于边缘设备形成自动化检测系统。**研究结果** （1）对比实验：DIA-YOLO的mAP@0.5达95.2%，较基线YOLO11n（83.8%）提升11.4个百分点；精确率由87.4%升至96.4%，召回率由87.7%升至96.9%；推理速度144 FPS，优于Faster R-CNN（54 FPS）与RT-DETR（114 FPS）；模型规模仅4.18 MB、计算量14.2 GFLOPs。五次不同随机种子重复实验的mAP@0.5为0.948±0.018，锯齿类因验证集样本较少方差相对较大。（2）SPDConv位置消融：仅在第2下采样阶段（Conv_2，1/4分辨率）引入时综合性能最优（P=0.888、R=0.889、mAP@0.5=0.846、238 FPS）；随位置加深性能下降，全部替换时mAP降至0.672，表明无损下采样在浅层最有效。（3）DWR位置消融：C4与C5单独使用时mAP@0.5分别为0.823与0.825；C4+C5组合最优，mAP@0.5达0.906（P=0.938、R=0.946），计算量仅6.60 GFLOPs、191 FPS；过度堆叠（全部组件）mAP反降至0.892，表明DWR更适用于深层特征提取。（4）模块组合消融：单模块中DWR效果最佳（mAP=0.899、6.60 GFLOPs）；SPDConv参数量最低（2.59 MB）、FPS最高（238）；P2使计算量增至11.1 GFLOPs、mAP升至0.856；单独使用FASFF使mAP降至0.799；SPDConv+DWR+FASFF组合达mAP=0.932（P=0.943、R=0.955、178 FPS）；四模块全集成达性能峰值mAP@0.5=0.952。（5）泛化实验：在NEU-DET数据集上精确率0.802、召回率0.783、mAP@0.5为0.793，较YOLOv8n（0.753）高4.0个百分点，优于所有基线模型。（6）工业部署：初期误报率由19.66%降至1.73%；稳定运行阶段覆盖10个工单、24591只传感器、73773张图像，系统标记156张缺陷图像对应83只传感器（36只报废、47只返修复测），未标记图像经人工复核未发现缺陷，返修率约为0.34%，采用"三法则"估计漏检率95%置信上限约为0.012%；单件检测时间45 s，较熟练质检员180 s提升约四倍，使激光调阻CCD工位由潜在瓶颈转为非瓶颈工序。**讨论与结论** 讨论部分指出，产线环境与实验室结果存在差异，主要源于真实生产中缺陷样本的极端类别不平衡；部署系统采用双模型结构、大量合格样本训练与较高决策阈值以降低漏检风险，并辅以尺寸与位置检查等物理防错措施、标准件班次测试、每日首件检验与两小时工艺巡检，模型定期以难例与新批次材料增量重训，因此生产结果应理解为集成检测系统的性能而非单一静态视觉模型。研究同时指出长期部署仍面临新缺陷类型出现、合成缺陷与真实缺陷存在分布差距、过度依赖增强样本可能导致性能估计偏乐观等挑战，未来将建立在线数据闭环以实现模型持续更新优化。结论部分译文如下：本文针对激光调阻表面缺陷检测中的误检、漏检与精度受限问题，通过改进YOLO11网络，提出了一种融合SPDConv、DWR、FASFF及P2高分辨率检测层的轻量级目标检测架构。该设计在不显著牺牲推理效率的前提下，提升了电阻表面缺陷检测的精度与鲁棒性。消融研究证实了各模块的有效性，其组合产生一致的协同增益；基准比较进一步表明所提方法优于多种主流YOLO系列模型；在公开NEU-DET数据集上的大量验证则证明了所提方法较强的泛化能力。尽管结果良好，长期部署仍面临若干挑战：其一，生产中可能出现新的缺陷类型，需定期采集与标注真实样本以更新模型，当前应用通过将检测模型与尺寸检查、刻痕数量核验等工艺参数约束相结合来降低缺陷品流出风险，并按质量要求定期采集数据与重训模型以缓解数据分布漂移的影响；其二，所提增强策略生成的合成缺陷与真实缺陷之间仍存在分布差距，可能限制对未见失效模式的泛化，过度依赖增强样本亦可能导致偏乐观的性能估计。未来工作将聚焦建立在线数据闭环，以实现模型的持续更新与优化。
