1. 引言
工业缺陷检测是现代制造业的重要组成部分，在确保产品质量、运行可靠性和生产安全方面发挥着关键作用。随着智能制造的持续发展，工业检测正在从传统的离线检测和对操作人员的依赖，向自动化、连续化和数据驱动感知方向发展。机器视觉已成为表面和外观检测中最广泛采用的方法之一，而超声检测和红外热成像等无损检测技术则为检测内部或亚表面缺陷提供了互补能力 [1,2,3]。这些传感技术大大扩展了制造过程和工程部件的可观测性，使得缺陷能够以越来越高的空间、时间和定量分辨率被检测、定位和表征。
与此同时，传感器网络、数据采集、信号处理和人工智能的进步正在将工业感知扩展到孤立的缺陷识别之外。多传感器数据融合可以将不同感知模态的互补信息集成起来，用于更可靠的状态评估和故障诊断 [4]。与此并行，预测与健康管理（PHM）建立了一个更广泛的框架，在该框架中，传感数据不仅用于检测异常状态，还用于诊断退化、预测系统未来状态，并支持基于状态的或预测性维护 [5]。然而，从实验室演示到可靠的工业部署仍然是具有挑战性的。工作条件和数据分布的变化会显著降低数据驱动诊断模型的泛化性能 [6]。深度学习的日益广泛应用也引发了对模型透明度和诊断决策物理可信性的担忧，尤其是在安全和质量关键型应用中 [7]。对于预测任务，除了预测精度之外，不确定性、鲁棒性、可解释性和实际可行性越来越多地被公认为重要需求 [8]。
在此背景下，特刊"工业缺陷检测中的传感技术"（Sensing Technologies in Industrial Defect Detection）的设立，旨在展示工业应用中传感、检测、状态监测、故障诊断、预测和智能维护的最新进展。本特刊收录的论文涵盖多种感知模态和分析范式，包括机器视觉、红外热成像、X射线计算机断层扫描、振动与多源感知、工艺与设备监测、机器学习、不确定性感知预测以及智能维护决策。尽管这些研究针对的是不同的工业系统和缺陷或故障场景，但它们共同反映了该领域的一种共同演进：工业传感正从缺陷相关信号的采集，向着能够提取物理意义上有意义信息、评估设备或产品状态、预测退化并支持运行决策的集成化框架发展。因此，本特刊为传感技术、信号与图像处理、人工智能、可靠性评估与智能制造之间日益紧密的融合提供了一个具有时效性的视角。
2. 已发表论文综述
多项研究直接聚焦于缺陷与质量检测。Solovev 等人（6）提出了一个基于红外热成像的激光焊接过程在线监测框架，该框架将飞溅与焊接区域的热特征与机器学习相结合，以识别多种焊接缺陷。Saiyod 等人（4）采用无训练、基于参考的图像处理框架解决印刷电路板检测问题，突出了在标注数据有限或需要可审计性时，可解释的确定性方法仍然具有持续的价值。Chang 等人（10）为发卡式绕组的最终状态质量检测提出了一种可解释的多模态神经网络，将图像信息与跨距相关的几何先验相结合。这些研究表明，工业缺陷检测越来越受益于物理或几何知识与数据驱动模型的融合，而不仅仅依赖通用的图像分类器。
其他论文将本特刊从直接的缺陷定位扩展到退化评估与状态监测。Chai 等人（1）利用多传感器信号，为刀具状态监测开发了一种分层多尺度时间卷积网络；而 Zhang 等人（3）提出了一种自适应信号分解与聚类策略用于轴承故障检测。这两项研究都强调了从复杂传感器信号中提取微弱、多尺度且在时间上演化特征的重要性。Zhang 等人（2）将X射线计算机断层扫描获得的介观缺陷特征与6061-T6铝合金的疲劳寿命相关联，展示了缺陷感知如何支持对后续结构性能的定量评估。
本特刊还包含了从诊断迈向预测和运行决策的研究。Qu 等人（7）通过带有双输出单元的贝叶斯卷积神经网络处理剩余使用寿命预测，明确考虑了随机不确定性和认知不确定性。Dai 等人（8）针对高度不平衡的 SCADA 数据，提出了一种两阶段风力发电机故障检测策略，将异常筛查与有监督分类相结合。Liu 等人（9）通过多智能体深度强化学习方法，将状态信息与维护计划进一步联系起来，用于电液伺服疲劳试验机的联合维护决策。在系统层面，Liu 等人（5）将可穿戴传感与多源信息同增强 Petri 网集成，以改进生产系统监测与实时状态表征。
总体而言，这些研究表明工业缺陷检测的范围正变得更为广泛且相互关联。然而，仍有若干挑战尚待解决。第一，在变化的工业条件下的传感性能——包括光照变化、环境干扰、工作条件漂移、传感器噪声和域偏移——仍然限制了模型的可迁移性。第二，高质量标注缺陷数据通常稀缺、不平衡或获取成本高昂，尤其对于罕见但涉及安全的缺陷而言更是如此。第三，多模态感知可以改善可观测性，但也带来了校准、同步、特征对齐和信息冗余等方面的新问题。第四，日益复杂的学习模型在能被信任用于安全或质量关键型生产环境之前，需要更强的可解释性、不确定性量化和可追溯的决策机制。
因此，未来研究应更加重视物理信息驱动和知识引导的学习、鲁棒的多模态融合、自监督与少样本学习、不确定性感知诊断以及可解释人工智能。同样重要的是，从实验室演示向长期工业验证的转变。传感器系统与算法应在标准指标和可复现协议下，跨设备、材料、生产批次和工作条件进行评估。边缘计算和轻量级模型对于实时部署同样重要，而数字孪生和闭环制造系统可能为将传感结果转化为自适应过程控制与维护行动提供一条途径。
3. 结论
本特刊收录的论文表明，工业传感正在从缺陷观察持续演进为智能状态理解。这些论文涵盖多种感知模态和分析范式，从确定性的图像比对与热监测，到多传感器时间学习、不确定性感知预测以及基于强化学习的维护决策。其多样性反映出这样一个事实：没有任何单一传感器或算法能普遍适用于工业缺陷检测；成功的解决方案取决于目标缺陷的物理特性、制造环境、数据可用性以及所需的可解释性与实时性水平。
展望未来，进步将越来越依赖于传感硬件、数据分析、领域知识与工业部署策略的协同发展。鲁棒性、泛化能力、数据效率、多模态融合、不确定性量化与可解释性仍然是核心的研究优先方向。通过应对这些挑战，传感技术可以支持从被动式检测向连续、预测并最终自适应的质量保证转变。我们希望本特刊中的研究成果能够为研究人员和工程师提供有益参考，并推动智能工业检测与智能制造领域的进一步跨学科研究。
