用于高精度激光焊点识别的光抑制上下文融合网络

《Neurocomputing》：Light suppression context fusion network for high-precision laser weld spots recognition

　　

摘要

高精度激光焊点识别在工业生产中起着至关重要的作用。然而，现有的算法往往存在小目标特征丢失、多尺度检测不平衡以及强光和背景噪声干扰等问题。为解决这些问题，本研究设计了一种光抑制上下文融合网络（LSCF-Net），以实现高精度的激光焊点识别。在该编解码网络中，我们设计了小波分解器光抑制模块（WDLS）、多尺度上下文融合模块（MSCF）、局部增强空间注意力模块（LESA）、注意力引导动态采样模块（AGDS）以及双注意力特征调制模块（DAFM）。WDLS旨在通过频域处理来去噪并减弱强光影响。MSCF利用差分扩张卷积来捕捉多尺度特征，从而解决检测不平衡问题。LESA通过重叠空间下采样和局部卷积增强来保留深层边缘细节。AGDS则通过动态加权下采样来减少小目标信息的丢失。DAFM则通过结合通道和空间注意力机制来抑制浅层背景噪声。在自建的激光焊点数据集以及公共的磁砖缺陷数据集上的大量实验表明，LSCF-Net的性能优于多种语义分割方法。

引言

在汽车制造、航空航天和半导体生产等对精度要求极高的行业中，高精度激光焊点识别受到了广泛关注。尤其是在精密部件的制造过程中，极高的焊点质量标准使得激光焊点光学识别成为不可或缺的技术[1]。作为评估激光焊点质量的核心标准，焊点的形态特征直接影响焊接结构的可靠性和使用寿命。在航空航天和新能源电池等高精度领域，即便微米级的缺陷也可能带来严重的安全风险。然而，由于激光焊点形状复杂多变、尺寸极小且成像环境复杂，实现其高精度的自动识别面临着巨大挑战[2]。焊点的高动态范围和复杂背景进一步增加了图像处理的难度。传统的识别方法在面对不同材料类型和光照条件时，往往缺乏有效提取焊点特征的强大能力[3]。因此，激光焊点的自动光学识别与检测已成为智能制造领域的研究热点，近年来在工业生产中的需求也越来越大。

目前，关于高精度激光焊点识别算法的研究仍面临诸多关键挑战[4]。对于小目标特征容易丢失的问题，诸如UNet之类的传统分割网络在多次下采样过程中往往会削弱微裂纹和气孔等小焊点特征。此外，深度特征由于全局注意力机制的存在，会导致较高的计算复杂度和部署难题，进而引发边缘细节丢失的问题，就像在非局部网络中所观察到的那样[5]。在多尺度检测不平衡方面，工业焊点存在较大的尺寸差异，而现有的单尺度卷积难以同时平衡局部细节和整体结构。另外，传统并行多分支设计中的扩张卷积往往因为特征堆叠而导致维度爆炸，从而使参数数量大幅增加。至于对背景噪声敏感的问题，金属表面可能会出现反射、焊渣以及其他形式的噪声，这些都会干扰浅层特征的有效提取。然而，现有的注意力机制[6]仅仅是将通道注意力与空间注意力简单拼接，无法实现噪声抑制与目标增强之间的协同优化。再者，编码器中的深度特征由于分辨率降低而可能出现边缘模糊现象[7]，而解码器的上采样过程则主要依靠插值来恢复细节，这就导致了语义信息与空间精度之间的失衡[8]。

为了解决传统激光焊点检测分割网络中存在的中小目标特征丢失、多尺度检测不平衡以及易受强光和背景噪声影响等问题，本研究提出了光抑制融合网络（LSCF-Net）。该网络通过注意力机制，着重于动态引导特征选择和多尺度上下文融合优化，从而显著提升了像素级语义分割的精度。

如图1所示，在小波分解器光抑制模块（WDLS）中，我们利用小波分解器在频域中对图像进行去噪并减弱强光影响。LSCF-Net还包含了双注意力特征调制模块（DAFM），该模块采用了通道-空间注意力级联机制。首先，通道注意力会抑制无关通道，接着空间注意力会聚焦目标区域，最后大核空间卷积则会进一步提升背景抑制效果。LSCF-Net中的多尺度上下文融合模块（MSCF）则利用渐进式扩张卷积，在单次卷积过程中就能同时捕捉局部细节和半全局上下文，同时还通过残差压缩融合技术将多尺度特征压缩到目标通道数，从而避免因特征堆叠而导致的维度爆炸问题。局部增强空间注意力模块（LESA）则是通过局部卷积增强和重叠空间下采样来提升计算效率。注意力引导动态采样模块（AGDS）则通过结合全局平均池化和最大池化生成双路径注意力，进而生成通道权重图，并通过群体动态加权来实现对目标区域的保护性下采样。这些经过精心设计的模块通过注意力引导的特征选择与上下文融合优化的协同作用，极大地提升了LSCF-Net在复杂工业场景中的适应性。本研究的主要创新点如下：

• (1)
  提出了光抑制上下文融合网络（LSCF-Net），用于实现激光焊点的高精度识别。
• (2)
  WDLS通过小波分解器在频域中对图像去噪并减弱强光影响；MSCF则利用差分扩张卷积来捕捉多尺度特征，以解决检测不平衡问题；LESA通过重叠空间下采样和局部卷积增强来提升深层边缘细节；AGDS则通过动态加权下采样来减少小目标信息的丢失；DAFM则通过结合通道和空间注意力机制来抑制浅层背景噪声。
• (3)
  在自建的激光焊点数据集上进行的大量实验表明，LSCF-Net在精度、鲁棒性和效率方面都具有显著优势，尤其是在光线较弱或反射率较高的复杂环境下表现更为出色。

章节节选

相关工作

对于高精度激光焊点识别算法，深度学习方法[9]能够通过数据驱动学习自动提取焊点特征，从而显著提升在复杂场景下的检测精度和泛化能力。在卷积神经网络及轻量化设计方面，大多数主流研究都是围绕改进U-Net和ResNet等架构展开的[10]。在多尺度特征融合方面，FPN算法能够有效增强特征

整体框架

图2展示了所提出的光抑制上下文网络（LSCF-Net），它是一种由编码器、跳跃连接和解码器构成的编解码结构，同时还包含了小波分解器光抑制模块（WDLS）、多尺度上下文融合模块（MSCF）、局部增强空间注意力模块（LESA）、注意力引导动态采样模块（AGDS）以及双注意力特征调制模块（DAFM）等专用模块。WDLS被设计在第一个编码器层中

数据集、评估指标及实现细节

在图像采集方面，该设备采用了高分辨率相机、双远心镜头以及三自由度运动系统，如图8所示，用于拍摄光电器件上的焊点图像。这款分辨率为2592×1944的高分辨率相机能够清晰地捕捉到焊点的细节。双远心镜头则可以减少图像失真，确保图像的准确性。而三自由度运动系统[22]则能够提供更加灵活的拍摄角度，从而实现

结论

本研究提出了一种光抑制上下文融合网络，用以解决强光和背景噪声干扰的问题。WDLS模块通过小波分解器在频域中对图像进行去噪并减弱强光影响。MSCF模块则利用差分扩张卷积来捕捉局部细节和半全局结构，从而应对不同尺度上焊点的共存问题。LESA模块则通过重叠空间下采样和局部卷积增强来

CRediT作者贡献声明

邓泽华：数据整理。张帆：初稿撰写。段继安：项目管理。罗定辉：方法设计。段连：实验研究。钟顺顺：形式化分析。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

本研究得到了中国国家重点研发计划（项目编号：2024YFF0504904）、湖南省自然科学基金（项目编号：2026JJ50178）以及湖南省重点研发计划（项目编号：2026QK3036）的资助。

利益冲突声明

作者表示自己与这项研究不存在任何利益冲突。

张帆于2019年在中国长沙的中南大学获得博士学位。他目前是中南大学自动化学院的副教授，研究兴趣包括图像处理、计算机视觉和模式识别等领域。

Fan Zhang|Zehua Deng|Shunshun Zhong|Lian Duan|Dinghui Luo|Ji’an Duan

中南大学自动化学院，极端服役性能精密制造国家重点实验室，中国长沙410083