基于无人机与机器人协同系统的船舶结构轻量级焊接质量检测方法

《Ocean Engineering》：A lightweight weld quality inspection method for ship structures via UAV-robot collaborative systems

　　•提出了一种基于无人机与机器人协同系统的轻量级检测方法。•构建了一个包含17,604张图像的大规模船体焊接缺陷数据集HWQ。•设计了一种名为WeldNet的轻量级物体检测网络，适用于边缘设备部署。•WeldNet仅拥有2.42百万个参数，就能实现90.1%的平均精度均值。•该系统实现了从视觉感知到3D数字孪生映射的闭环检测。

引言
现代造船及海洋工程结构需要在极其恶劣的海洋环境中长期服役，这对它们的结构完整性和安全性提出了严格要求（Dong等人，2022年）。作为船体及海上平台的核心连接技术，焊接质量直接决定了这些结构的疲劳寿命和整体可靠性。诸如气孔、夹渣或未熔合等微小焊接缺陷，在海浪持续作用的交替载荷下，很容易发展成严重的结构断裂（Zhang等人，2019年）。因此，对焊接质量进行全面准确的评估是造船过程中的重要环节。传统的无损检测方法依赖于人工视觉检查及便携式缺陷检测仪，这不仅会导致高昂的时间和人力成本，还会让检测人员面临高空桁架或狭窄双底舱等危险工作环境（Golodov和Maltseva，2022年）。因此，业界迫切需要开发自动化且智能的焊接检测技术，以应对现代海洋制造中效率与安全并重的双重需求。

近年来，计算机视觉和深度学习技术的快速发展为工业缺陷检测提供了新的数据驱动方案（Miorelli等人，2022年）。在早期研究中，卷积神经网络和两阶段物体检测算法被广泛用于在标准操作条件下自动提取特征。例如，Chen等人（2023年）优化了R-CNN框架，以提高射线照片中多尺度缺陷的定位精度；而Wang等人（2021年）则系统地验证了深度神经网络在处理焊接表面形态方面的应用。为克服两阶段网络存在的巨大计算负担，单阶段架构越来越被用于满足实时工业需求。Liu等人（2023年）设计了一种带有多尺度特征增强模块的轻量级LF-YOLO框架，以减少对微小缺陷的漏检；Zhou和Tao（2025年）则在PFWI-YOLO中定制了特定的物体检测层，提升了局部实验集上的平均精度均值。

为满足日益增长的运行稳定性需求，近期有研究引入注意力机制和混合网络拓扑结构，以抑制环境成像噪声。Qiu等人（2025年）将混合池化注意力机制集成到CNN中，以便在激光弧焊监测过程中动态调整特征图。在此基础上，He等人（2026年）构建了M2CTFNet，这是一种结合CNN和Transformer特征的双分支融合网络，可有效解决复杂自然环境中的目标检测难题。此外，Vision Transformers（ViTs）也被用于提取宏观尺度上的周期性纹理，Zhu等人（2024年）就利用它对海上平台监测记录中的异常模式进行了分类。针对边缘设备的限制，Liu等人（2025年）进一步开发了UWSDNet，通过结构重参数化在有效压缩模型参数的同时，适应不同规模的缺陷检测需求。

为进一步弥合纯统计模型与实际工程需求之间的差距，近期有一些开创性研究将深度学习与特定领域的结构力学深度整合。Chen等人（2026年）开发了一种高效的随机森林替代模型，能够快速预测应力强度因子，并对双面U形肋焊接进行可解释的疲劳寿命评估，从而避免了传统有限元方法的高昂计算成本。类似地，Zhang等人（2026b年）建立了一种由多源真实数据驱动的先进机器学习框架，结合以注意力为核心的神经网络，为在数据极度匮乏的情况下进行精确的焊接疲劳评估提供了强大手段。此外，为应对复杂的环境-机械退化问题，Zhang等人（2026a年）提出了一个集成多尺度机械模型，将微观晶体滑移与宏观断裂力学相结合，从而准确量化整个使用寿命期间的疲劳扩展情况。这些研究表明，将基于物理原理的机械直觉和多源真实数据融入智能网络，是构建实时、可靠的结构性健康监测系统的有效策略。

然而，将这些深度学习模型直接应用于实际船厂环境面临着诸多挑战。大多数现有的公共缺陷数据集都是在照明条件良好或背景均匀的理想环境下收集的，缺乏海洋工程现场存在的复杂自然干扰因素，比如金属表面的强烈镜面反射、局部物理遮挡以及多变的照明条件。这类真实工业场景数据的匮乏，严重限制了视觉模型在各种应用中的泛化能力和稳定性（Palma-Ramírez等人，2024年）。此外，主流的物体检测算法往往为了追求检测精度，而导致参数冗余严重以及巨大的计算开销。如此复杂的网络架构极难在计算资源和处理能力极为有限的移动边缘设备上部署，这严重制约了现场质量评估所需的实时感知能力（Xie等人，2025年）。

除了算法层面的限制，用于自动船舶检测的物理执行平台也面临复杂的空间限制。无论是攀爬船体外壳的爬行机器人，还是在空中作业的无人机，都难以实现对庞大船体结构的全方位覆盖（Prabakaran等人，2020年）。地面或墙壁爬行的移动机器人缺乏探索高空板材和大型桁架的机动性，而无人机的续航能力和旋翼尺寸又限制了它们进入空间狭小且信号弱的船体舱室进行精细的近表面扫描。因此，迫切需要构建一种多平台物理协同部署架构，打破单一视角的物理限制，从而实现对整个船体空间内各尺度焊接接头的全面检测，避免检测盲区（Song和Cui，2020年）。

为应对真实场景数据匮乏、船体表面反射复杂以及多平台边缘计算约束等问题，本文提出了一种以优化后的检测网络与空地协同部署框架之间的领域特定协同作用为核心的轻量级焊接质量检测方法。主流的轻量级YOLO风格架构、基于Vision Transformer的检测器以及通用的频率增强网络，往往存在参数冗余、计算开销高或在强金属反光作用下光谱平滑效果不佳的问题。相比之下，WeldNet是通过针对船舶焊接特性量身设计的独特架构共同设计的。它并非简单地将现成的网络模块堆叠起来或应用通用的傅里叶模块，而是包含了专门为焊缝的光学和几何特性设计的定制内部子结构。其各个组成部分，包括TSFE主干网络、MAI颈部结构以及LRC头部，都是独立设计的，具有独特的内部机制，而非依赖现有的标准模块。至关重要的是，整个架构中建立了专用的模块间特征传递路径和跨阶段协调通道，从而实现特征的无缝对齐以及各阶段之间信息的相互强化。

具体而言，与依赖全局光谱过滤的通用频率增强网络不同，TSFE主干网络将时域边缘梯度与频域光谱模式分离，从而在抑制金属镜面反射的同时，保留亚毫米级的缺陷边界。由此产生的多域特征表示通过结构化的交互通道直接传递到MAI颈部结构，在经过实证验证的尺度路径上实现分层上下文建模，有效避免了Vision Transformer颈部结构所带来的高计算复杂度和标记稀释问题。随后，与通用YOLO版本中常见的共享参数或标准重参数化检测头部不同，LRC头部采用了由尺度校准向量调制的共享体卷积机制，能够在极少的参数约束下，将融合后的特征转换为可随尺度变化的输出。这种整体的架构共同设计以及模块间的结构整合，带来了显著的性能提升，远超传统的模块组合和通用检测器。因此，本研究的主要贡献可总结如下：
1. 直接从船舶预装配车间构建了一个名为HWQ的大型真实工业数据集，其中包含17,604张高分辨率图像，可解决在存在镜面反射、低光区域以及复杂波纹纹理等复杂环境干扰下的真实数据匮乏问题。
2. 通过整合独特的内部子结构以及多尺度跨阶段特征耦合路径，开发出了专为无人机和机器人系统设计的轻量级焊接检测网络WeldNet，它在仅2.42百万个参数和5.6吉次浮点运算量的情况下，就能实现90.1%的平均精度均值，达到了极高的性能平衡，其在检测精度和边缘设备部署效率方面均优于现有的最先进轻量级YOLO及Transformer基检测器。
3. 构建了一个结合无人机和微型机器人的空地协同检测框架，将WeldNet嵌入到移动边缘计算节点中，从而在存在严重物理干扰的情况下，实现了从视觉感知到实时预警以及3D数字孪生映射的端到端闭环检测。

方法部分
本节主要阐述针对船舶结构焊接质量评估而设计的轻量级检测方法及其系统级应用。首先，为解决真实工业场景中数据匮乏的问题，介绍了大规模船体焊接图像数据集HWQ的构建方法。随后，对专为无人机和机器人系统设计的轻量级焊接检测网络WeldNet进行了全面分析，包括其具体的网络结构。

实验部分
本节对所提出的WeldNet及其协同系统进行了全面的实验验证，建立了涵盖准确率和效率在内的双重评估指标体系，以提供客观的定量参考。基于自建的HWQ数据集，详细开展了与主流算法的对比实验、模块消融研究，以及在多种移动平台上的通用部署测试。此外，还通过现场闭环测试进一步验证了该系统的实际性能。

讨论部分
综合上述对比实验结果以及图11中的算法性能散点图可以看出，WeldNet在检测精度和计算效率之间取得了出色的平衡。在HWQ数据集上，WeldNet不仅实现了90.1%的高平均精度均值，还具有68.0帧/秒的高速度推理性能，而且仅需要2.42百万个参数和5.6吉次浮点运算量。而CornerNet和CenterNet等模型虽然平均精度均值略高，但性能表现不及WeldNet。

结论
为应对现代船舶制造中结构缺陷检测所面临的种种挑战，本文提出了一种基于边缘计算的协同框架，该框架整合了无人机和移动机器人，旨在消除庞大船体结构上的检测盲区。该框架依托于一个名为HWQ的大型真实数据集，该数据集包含三个标准化质量类别下的17,604张高分辨率图像。轻量级的WeldNet检测器则融合了多种创新技术，以实现高效的焊接质量检测。

数据可用性
相关数据可应要求提供。

作者贡献说明
Yuchen Xie：概念构思、研究调查、方法设计、软件开发、验证分析、可视化处理、论文初稿撰写及修改。Jian Cui：数据整理、正式分析、项目管理、论文修改。Dailin Zhang：资金筹措、资源协调、项目监督。Aodi Bie：数据整理、资源支持。Feida Song：数据整理、软件开发。

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财务利益或个人关系。

致谢
本研究得到了中国国家重点研发计划的支持，项目编号为2023YFB3408603。

Yuchen Xie|Jian Cui|Dailin Zhang|Aodi Bie|Feida Song