WID-YOLO11：基于频域特征分解与多尺度膨胀注意力的焊接表面缺陷检测方法

《Information》：WID-YOLO11: Weld Surface Defect Detection via Frequency-Domain Feature Decomposition and Multi-Scale Dilated Attention

　　

摘要

焊接缺陷检测面临缺陷尺寸差异大、缺陷形态复杂以及背景干扰强烈的挑战。为解决这些问题，本研究提出了WID-YOLO11，这是一种基于YOLO11n改进的检测模型。首先，设计了一种新的C3k2_LFA-WTConv模块，该模块通过可学习的小波滤波器将特征图分解为不同频率子带，并借助可学习频率注意力机制对它们进行自适应权重调整，从而使网络能够为不同类型的缺陷学习任务适配的子带表示，因为各类缺陷具有独特的小波子带能量分布。其次，通过将原始MSDA的膨胀率从3个值扩展到4个值（1、2、3和4），并将最大等效感受野从7×7扩大到9×9，构建了改进的多尺度膨胀局部注意力模块IMSDA，从而在降低计算成本的同时提升对气孔和飞溅等中等规模缺陷的多尺度检测能力。最后，在颈部网络中引入了DySample动态上采样模块，以便在多尺度特征融合过程中自适应地选择采样位置，更有效地保留缺陷边界细节。在包含986张图像的公开焊接缺陷数据集上的测试表明，WID-YOLO11在mAP@0.5、召回率以及mAP@0.5:0.95指标上的表现分别比YOLO11n基准模型高出4.5%、10.4%和3.4%，充分证明了这三种改进措施的有效性。