《Sensors》：A Robust Method for Extracting Anti-Loosening Lines for Turbine Unit Bolts Under Multi-Factor Influences
编辑推荐：
水轮发电机组转子动态巡检受限于长成像距离、金属反射及运动诱导的抗松动标记线退化。研究人员提出一种任务解耦视觉框架，先定位螺栓后在尺度归一化感兴趣区域（ROI）内分割标记线。YOLO-SE检测器结合空间到深度卷积（SPD-Conv）与高效多尺度注意力（EMA）以
水轮发电机组转子动态巡检受限于长成像距离、金属反射及运动诱导的抗松动标记线退化。研究人员提出一种任务解耦视觉框架，先定位螺栓后在尺度归一化感兴趣区域（ROI）内分割标记线。YOLO-SE检测器结合空间到深度卷积（SPD-Conv）与高效多尺度注意力（EMA）以保留小目标特征并抑制光照干扰。分割阶段集成MobileViT2骨干、注意力增强空洞空间金字塔池化（A-ASPP）与Dice交叉熵损失，恢复全局上下文与稀疏前景边界。实验室实验中，YOLO-SE在0.5交并比（IoU）下取得99.4%平均精度均值（mAP50）与99.8%召回率，分别超越YOLO26n 3.2与3.4个百分点；完整分割器取得98.67%平均交并比（mIoU）与95.38%目标线IoU；5次种子匹配运行中YOLO-SE获99.32±0.10% mAP50，分割器获98.61±0.09% mIoU。M12转子夹具螺栓现场验证支持在尺度、视角与光照变化下的适用性。完整级联需5310万参数、207.7 GFLOPs、2.38 GB峰值GPU显存与单帧31.8 ms耗时，在评估条件下满足30 FPS GPU预算。
研究背景方面，螺栓连接对水轮发电机转子等大型旋转机械结构完整性至关重要，循环载荷、振动与冲击会降低预紧力并危及平衡与安全。人工扭矩检测费力，接触式传感器难以规模化部署或不适于连续远程监测，机器视觉提供非接触式螺栓定位、转角估计与预紧力损失评估途径。水电涡轮腔体带来三耦合挑战：长安全间距使螺栓在全景图中仅占小区域；补光在金属表面产生非均匀反射；转子曝光运动模糊细长标记线，运动模糊尤其会抹去区分线与金属背景所需高频证据。早期基于手工特征方法依赖稳定梯度，金属反射与弱边缘致误检；近期YOLOv5检测、关键点与合成数据、语义分割透视校正虽推进了非接触监测，但多数流水线假设定位后局部证据仍充足，未直接处理“螺栓占全景像素极少且标记线被反射、低对比与运动涂抹共同削弱”的耦合情形，故宏微观尺度失配需尺度解耦级联而非直接全帧分割。该研究发表于《Sensors》，意义在于围绕水电转子成像宏微尺度失配布置SPD-Conv、EMA、MobileViT2、CBAM与Dice优化及自适应ROI转移，并配套实验室与单站点现场双源评估，界定当前适用边界。
关键技术方法上，研究人员构建任务解耦两级级联：宏观定位用改进YOLO26n得YOLO-SE，以SPD-Conv替换P3/8、P4/16、P5/32步长2卷积避免小目标空间证据删除，融合块后插EMA按通道分组重标定抑制反射主导响应，预测框中心扩张1.5倍宽高截ROI并缩至640×640；微观分割改DeepLabV3+为三头（螺母区、螺母侧线、基座侧线），骨干换MobileViT2混CNN-Transformer，ASPP后接CBAM成A-ASPP做通道与空间顺序重标定，损失取交叉熵与Dice各权1.0联合应对前景占ROI不足1%的不平衡。样本来自实验室动态台架10组M42螺栓装配（2048×1024工业相机，视角10°–50°、距0.2–0.7 m、高0.1–0.6 m、光照0%–40%共190组×30帧=5700张LabelMe标框与三类掩码，序列级8:2划分防泄漏）与某水电10F机组现场850帧M12转子夹具螺栓（非均匀光、油污、斜视角）。
研究结果各节结论如下。引言指出宏定位与细线重建需不同表征，引出尺度解耦级联贡献。方法概述明确三级处理：全景YOLO-SE定位→中心扩张ROI归一化→三模型分割螺母区与两侧线。YOLO-SE检测与ROI提取节中，SPD-Conv经周期子采样重排通道避免删像素，EMA跨空间交互重加权螺栓特征，框扩张公式保螺母-基座界面上下文。改进DeepLabV3+分割节中，MobileViT2浅层卷积分块自注意力获长程依赖，A-ASPP中CBAM通道注意力用全局平均与最大池化经MLP加权、空间注意力沿通道压缩后大核卷积出权重图，Dice交叉熵直接优化前景重叠。实验与现场验证中，实验室YOLO-SE逐步消融：相对YOLO26n，SPD-Conv使精确率94.2%→96.8%、召回96.4%→98.7%，EMA单独召回97.8%/mAP50 99.2%，两者合精确率97.7%、召回99.8%、mAP50 99.4%；对比Faster R-CNN、YOLOv8n、YOLO11n、RT-DETR最优，GPU单帧4.27 ms（234.2 FPS）。分割主消融原生DeepLabV3+（ResNet-50/CE）mIoU 96.65%、TL-IoU 93.36%；换MobileViT2+Dice-CE得97.69%/95.42%；加A-ASPP达98.67%/95.38%；因子独立消融示Dice-CE对TL-IoU贡献最大（+1.47点），A-ASPP主升mIoU微降TL-IoU 0.04点；5种子YOLO-SE mAP50 99.32±0.10%、分割器mIoU 98.61±0.09%，Holm校正p<0.001。鲁棒性测试3927张控因样本检测率99.898%，置信随距离增大目标变小仍高；5573 ROI分割螺母区mIoU 0.995、两侧线0.973/0.976，BF1高。现场M12验证YOLO-SE精确率97.88%、召回98.21%、mAP50 99.41%，定位成功>99%；现场训验三头mIoU全>92%，TL-IoU螺母区90.16%、螺母侧线84.76%、基座侧线87.47%，微边界重建较宏定位更敏现场成像。讨论部分总结任务条件分解是主贡献，SPD-Conv与EMA补不同检项，Dice-CE主驱TL-IoU而A-ASPP主驱mIoU，级联GPU 31.4 FPS非CPU实时；宏定位比微边界重建耐成像变化，现场TL-IoU降至84.76%–87.47%证站点适用非零样本迁移；运动模糊因未独立控转速/曝光/方向/长度不计入已验证鲁棒因子，嵌入式功耗与多站外验留待后续。结论部分译文：本研究提出任务解耦视觉框架，在全景尺度定位水电机组转子螺栓并在尺度归一化ROI重建抗松动标记线，主要贡献为检测器与分割器设计选择对齐两空间尺度各异退化机制。实验室中YOLO-SE获99.4% mAP50与99.8%召回，完整分割器98.67% mIoU与95.38% TL-IoU；M12转子夹具螺栓站点验证保留99.41%检测mAP50，但现场成像下标记线TL-IoU降至84.76%–87.47%。结果支持该框架作为后续松动转角测量的特征提取级，在评估实验室与单站现场条件下成立，不构成对其他水电站点或无关工业任务零样本迁移。首要未解限制为运动模糊——物理采集观察但未独立控制，严重方向涂抹可能在推理前消除标记线证据，故距离/光照/高度/视角鲁棒性不应引申为模糊鲁棒性；受控遮挡、传感器噪声、压缩、嵌入式功耗与长期稳定亦未测。未来工作优先标定子协议变转速/曝光/涂抹方向/模糊长度/线对比，以模糊严重度为自变量报召回、TL-IoU、BF1并比物理与合成模糊，再扩多站、嵌入式硬件、域适应与功耗连续运行验证。
