中文引用格式： 付為剛，彭奕舜. 基于YOLOv11改進算法的金屬缺陷識別檢測[J]. 電子技術應用，2026，52(3)：32-40.
英文引用格式： Fu Weigang，Peng Yishun. Metal defect recognition and detection based on improved YOLOv11 algorithm[J]. Application of Electronic Technique，2026，52(3)：32-40.
引言
目標檢測作為連接圖像感知與高層決策的核心橋梁，其性能優劣直接決定了智能制造、自動駕駛等關鍵領域的智能化水平。在工業質檢場景中，金屬表面缺陷（如微米級裂紋、不規則夾雜）的精準檢測更是保障高端裝備可靠性的核心環節[1-2]。據中國機械工程學會2024年報告顯示，我國每年因金屬表面缺陷導致的報廢率達3%~5%，對應經濟損失超500億元[3]，而傳統人工檢測（效率20~30件/小時，漏檢率隨時長指數上升）與傳統機器視覺（復雜工況誤檢率超20%）已難以滿足工業4.0的“零缺陷”需求。在此背景下，基于深度學習的實時目標檢測技術成為突破瓶頸的關鍵，其中YOLO系列算法[4]憑借“端到端”架構與高效推理特性，成為工業級部署的主流選擇，但在微小缺陷捕捉、復雜紋理抗干擾、精度和速度的平衡仍需優化[5]。
在相關工作與技術瓶頸上，目標檢測算法的演進始終圍繞“特征表征能力”與“定位精度”兩大核心展開。在單階段檢測器領域，YOLOv1開創實時檢測范式但定位誤差大；YOLOv3[6]通過多尺度特征融合提升小目標性能，卻依賴人工設計錨框導致泛化性受限；YOLOv5[7]的自適應錨框與CSP結構優化了效率，但其特征提取對復雜背景魯棒性不足；YOLOv7[8]的ELAN結構增強了特征學習能力，卻仍難以捕捉微米級缺陷的細微特征；最新的YOLOv11[9]通過C3k2模塊與動態通道剪枝實現輕量化，但其在局部上下文關聯建模與極端比例目標回歸上仍有提升空間。
金屬缺陷檢測作為高端制造領域質量控制的核心環節，其技術發展始終與工業現代化進程深度耦合。國內外研究在技術演進中形成了既同源共生又各具特色的發展路徑。早期研究普遍依賴傳統圖像處理方法，國外學者通過閾值分割與形態學處理實現規則缺陷的初步識別[10]，國內研究者則在邊緣梯度分析領域進行優化，如基于Sobel算子的裂紋增強算法[11]，但這類方法對低對比度缺陷和復雜背景的適應性有限。隨著硬件設施與人工智能技術的發展，基于計算機視覺的檢測方法逐漸成為主流，其成本低、操作簡便的優勢使其在鋼、鋁、銅板等平面材料檢測中廣泛應用。國內研究呈現出鮮明的應用導向特征，在數據增強與模型輕量化領域形成獨特優勢。WANG K等人[12]針對工業領域金屬表面缺陷檢測中現有算法僅面向少數缺陷類型且不同尺度（尤其小尺度）缺陷表現欠佳的問題，設計改進YOLOv5檢測網絡，有效損失函數解決小尺度缺陷引發的數據不平衡。張曙文等人[13]針對工業干擾環境下金屬齒輪表面缺陷自動化檢測易出現誤檢和漏檢的問題，提出改進YOLOx算法，通過ASFF提高抗干擾能力，借助ECA模塊增強特征提取能力。改進后網絡較原版在召回率、準確率和平均精度均值均有所提升。竇智等人[14]針對鋼板制造行業傷痕類型多、次品少、檢測要求高導致傳統算法不滿足需求，且行業數據公開率低、訓練樣本不足使深度學習難應用的問題，提出小樣本驅動的訓練樣本生成方法及改進YOLOv7算法，優化ELAN模塊，采用ACmix注意力模塊，引入WIoU優化損失函數，成功應用于小樣本鋼板缺陷檢測。但這兩種方法均未充分驗證在金屬表面灰度不均、微小形變和缺陷等復雜工業場景，適用性仍需進一步驗證。
因此，當前領域仍面臨三重核心挑戰：金屬表面高反射率導致的灰度不均問題，高速生產線5.12 Gb/s峰值數據率帶來的實時處理壓力，以及微小缺陷與隨機彈性變形造成的特征混淆。針對上述瓶頸，本文以YOLOv11為基線，聚焦金屬表面缺陷檢測的核心需求，提出三項協同優化策略，其創新點與先進性具體體現為：
（1）針對傳統C3k2模塊局部上下文建模不足的問題，在殘差路徑中嵌入多尺度局部上下文注意力（MLCA），通過3×3/5×5并行卷積捕捉不同感受野特征，并結合通道注意力動態加權，既保留SE模塊的通道級特征篩選能力，又彌補其缺乏空間關聯建模的缺陷。相比Deformable DETR[15]的可變形注意力，MLCA將計算復雜度從O(N2)降至O(N)，實現65 FPS的推理速度。
（2）EIoU損失函數適配：針對CIoU[16]對寬高差異約束薄弱的問題，引入EIoU損失[17]，在CIoU的基礎上分離寬高懲罰項，通過計算預測框與真實框的寬、高差異平方和，顯式約束極端比例缺陷的回歸精度。實驗表明，EIoU在長寬比大于5:1的缺陷上定位誤差降低42%，在金屬缺陷檢測模型上優于常用的損失函數SIoU[18]與ShapeIoU[19]。
（3）Detect_LADH輕量檢測頭：針對傳統檢測頭特征融合冗余的問題，采用深度可分離卷積替代普通卷積，并設計動態權重生成器（基于缺陷尺度自適應分配P3/P4/P5特征權重）。相比PAN結構，其 FLOPs減少35%，推理速度提升至72 FPS，同時通過跨層特征動態融合，將復雜紋理下的誤檢率從25%降至8.3%，優于YOLO-World的靜態融合策略（誤檢率12.6%）。
在本文研究貢獻與結構安排上，核心價值在于為單階段檢測器在高精度實時工業場景中的應用提供了可推廣的技術范式。實驗驗證表明在自建數據集上，改進模型較YOLOv11基線mAP@0.5提升8.9%，推理時間為1.4 ms。
本文詳細內容請下載：
http://www.tom3567.com/resource/share/2000006998
作者信息：
付為剛，彭奕舜
（中國民用航空飛行學院 航空工程學院， 四川 廣漢 618307）
