点击下方卡片关注「3D视觉工坊」公众号选择星标干货第一时间送达来源3D视觉工坊「3D视觉从入门到精通」知识星球(点开有惊喜) 星球内有20多门3D视觉系统课程、3DGS独家系列视频教程、顶会论文最新解读、海量3D视觉行业源码、项目承接、求职招聘等。想要入门3D视觉、做项目、搞科研欢迎加入一、导读锅炉水冷壁的小径管焊接接头堪称工业设备的“生命线”一个未熔合、裂纹的微小缺陷就可能引发介质泄漏、管体爆裂的大事故可焊接内部缺陷藏得深、看得难传统光学检测根本“够不着”相控阵超声检测PAUT虽能捕捉内部特征却又被噪声干扰、低光区特征模糊、晶界散射和缺陷频谱重叠这三大“拦路虎”绊住脚连深度学习模型都容易看走眼这工业安全检测的难题到底该怎么破这篇论文就为大家量身打造了一款“焊接缺陷火眼金睛”——ELTDF-Net智能检测模型专治PAUT图像检测的各种“疑难杂症”它可不是单一技能加持而是带着三大创新模块的“全能选手”层层破解检测难题ECCR多通道感知局部特征模块像给模型装了“多尺度放大镜”融合多尺度空洞卷积和动态通道校准精准捕捉毫米级微小缺陷再也不会被噪声分散注意力解决注意力偏移问题LCRB残差门控机制打造亮度-噪声“分离净化器”通过门控特征融合抑制频域混叠噪声还能强化低光区的特征关联让暗区的缺陷特征无处遁形TVconv-CA多频域卷积注意力模块练就“频域辨物”绝技结合频域分析和空间自适应卷积把缺陷的低频形态特征放大再把高频散射噪声压下去完美区分晶界散射和真实缺陷。为了验证这款“火眼金睛”的真本事研究团队拉满实验配置在1个工业实测私有数据集PAUT-Welds太原锅炉厂实地采集5类焊接缺陷3个公开工业缺陷数据集NEU-CLS-64、NEU-CLS、磁瓦数据集 上展开全方位测试还和ConvMixer、Convnext v2、Eva-02等10款主流模型同台比拼结果惊艳全场PAUT-Welds工业实测集Top-1准确率86.36%AUC值0.96精确率、召回率、F1-score全面领先把第二名远远甩在身后NEU-CLS-64集Top-1准确率97.44%细粒度识别能力拉满NEU-CLS集直接拿下100%的全指标满分完美识别磁瓦数据集Top-1准确率84.97%较次优模型提升5.19个百分点精准率和召回率的平衡度最优。不仅如此研究团队还做了消融实验证实三大模块是“1113”的协同效果少一个都达不到最优性能通过特征热力图可视化能清晰看到ELTDF-Net对缺陷区域的聚焦能力远超传统ResNet50缺陷特征响应更强烈。更贴心的是团队还把模型核心算法封装成了相控阵焊接缺陷智能分类系统有友好的交互界面能实时预测、可视化结果直接落地工业现场从理论创新变成了能实际用的生产力工具说到底这款ELTDF-Net模型就是为工业超声相控阵焊接缺陷检测量身定制的“智能检测专家”既解决了人工判断误检率高、传统模型能力不足的老问题又实现了检测精度、效率和工程实用性的三重提升为工业无损检测的高精度需求提供了全新的解决方案让焊接缺陷再也逃不过“智能法眼”二、成果掠影ELTDF-Net: 一种基于局部感知残差门控多频域卷积注意力PAUT焊接缺陷检测模型发表期刊[Nondestructive Testing and Evaluation]论文提出面向锅炉水冷壁小径管 PAUT 焊缝缺陷检测的 ELTDF-Net 模型通过 ECCR 多通道感知、LCRB 残差门控、TVconv-CA 多频域卷积注意力三模块协同有效解决噪声干扰、低光特征弱化、晶界散射与缺陷频谱重叠三大检测难题。在太原锅炉厂实地采集的 PAUT-Welds 数据集上模型 Top-1 准确率达86.36%、AUC 为0.96精确率、召回率与 F1-score 全面领先 11 种主流模型在 NEU-CLS-64、NEU-CLS、磁瓦公开数据集上Top-1 准确率分别达到97.44%、100%、84.97%泛化性与细粒度识别能力突出。消融实验验证三模块呈现1113协同增益特征可视化表明模型对缺陷区域聚焦能力显著优于基线 ResNet50误检与漏检率大幅降低。基于该模型开发的相控阵焊接缺陷智能分类系统已完成工程封装支持数据导入、实时预测与结果可视化置信度达98%可直接落地工业现场为 PAUT 智能无损检测提供高精度、高实用性的新方案。三、核心创新点论文核心关键发现模型检测性能显著领先提出的ELTDF-Net在PAUT焊接缺陷检测任务中表现卓越在工业实测PAUT-Welds数据集上Top-1准确率达86.36%AUC值0.96在NEU-CLS-64、NEU-CLS、磁瓦MT公开数据集上Top-1准确率分别达97.44%、99.72%、84.97%全面优于ConvMixer、Eva-02、Res2Net等11款主流模型在精确率、召回率、F1-score上实现三维度领先鲁棒性和细粒度识别能力突出。三大创新模块实现分层协同增效ECCR、LCRB、TVconv-CA三模块基于ResNet50基线形成层次化特征增强协同效应联合启用使模型Top-1准确率较基线提升6.36个百分点各模块针对性解决PAUT检测核心痛点ECCR解决注意力偏移、强化毫米级缺陷梯度响应LCRB实现亮度-噪声解耦、增强低光区特征关联TVconv-CA分离晶界散射与缺陷频谱、强化低频缺陷特征并抑制高频噪声。特征表征与判别能力大幅提升经T-SNE可视化验证ELTDF-Net能让缺陷特征分布更聚集、类别分离更显著特征热力图显示模型对缺陷区域的特征响应远强于传统ResNet50可精准聚焦缺陷核心区域大幅降低假阳性、假阴性误判在复杂背景和噪声干扰下的特征提取能力显著优于基线模型。模型泛化性与工程实用性兼备ELTDF-Net在工业实测数据集和多类型、多缺陷的公开工业数据集上均保持高性能泛化能力远超同类模型如Mff仅单数据集表现优异其余数据集性能拉胯基于模型核心算法开发的相控阵焊接缺陷智能分类系统实现数据导入、实时预测、结果可视化等工业级功能置信度达98%完成从理论算法到工程应用的闭环满足工业现场检测需求。四、数据概览图1© 2026Informa UK Limited, trading as Taylor Francis Group图2© 2026Informa UK Limited, trading as Taylor Francis Group图3 © 2026 Informa UK Limited, trading as Taylor Francis Group图4 ELTDF-Net structure © 2026 Informa UK Limited, trading as Taylor Francis Group图5 ECCR模块 © 2026 Informa UK Limited, trading as Taylor Francis Group图6 LCRB © 2026 Informa UK Limited, trading as Taylor Francis Group图7 TVconv-CA © 2026 Informa UK Limited, trading as Taylor Francis Group图8 Dataset collection process © 2026 Informa UK Limited, trading as Taylor Francis Group图9 PAUT-Welds datasets © 2026 Informa UK Limited, trading as Taylor Francis Group图10 NEU-CLS-64 datasets © 2026 Informa UK Limited, trading as Taylor Francis Group图11 NEU-CLS datasets © 2026 Informa UK Limited, trading as Taylor Francis Group图12 MT datasets © 2026 Informa UK Limited, trading as Taylor Francis Group图13 ROC curve of ELTDF-Net on PAUT-Welds datasets © 2026 Informa UK Limited, trading as Taylor Francis Group图14 ROC curve of ELTDF-Net on NEU-CLS-64 datasets © 2026 Informa UK Limited, trading as Taylor Francis Group图15 Local magnification of curves © 2026 Informa UK Limited, trading as Taylor Francis Group图16 ROC curve of ELTDF-Net on NEU-CLS datasets © 2026 Informa UK Limited, trading as Taylor Francis Group图17 Local magnification of curves © 2026 Informa UK Limited, trading as Taylor Francis Group图18 ROC curve of ELTDF-Net on MT datasets © 2026 Informa UK Limited, trading as Taylor Francis Group图19 Scatter plot of original and learning features on different datasets © 2026 Informa UK Limited, trading as Taylor Francis Group图20 Accuracy curve of ablation experiment © 2026 Informa UK Limited, trading as Taylor Francis Group图21 Left: confusion matrix of the baseline model; right: confusion matrix of ELTDF-Net. © 2026 Informa UK Limited, trading as Taylor Francis Group图22 Feature visualization flowchart © 2026 Informa UK Limited, trading as Taylor Francis Group图23 Left: characteristic heatmap of the baseline model;right: characteristic heatmap of ELTDF-Net. © 2026 Informa UK Limited, trading as Taylor Francis Group五、成果启示ELTDF Net 通过三模块协同攻克 PAUT 焊缝缺陷检测噪声干扰、弱光特征模糊、晶界散射与缺陷谱重叠难题检测精度、鲁棒性与细粒度识别全面领先主流模型。完成算法到工业智能检测系统的闭环转化可实时预测与可视化满足现场高精度无损检测需求。显著降低误报漏报实现检测精度、效率、实用性三重提升为工业焊缝安全检测提供标准化智能方案。未来研究前景有可拓展至多场景工业超声/电磁无损检测适配更多特种设备缺陷识别。轻量化与边缘部署优化实现现场端侧实时智能检测。结合小样本/跨域学习提升复杂工况泛化能力构建全流程智能检测体系。本文仅做学术分享如有侵权请联系删文。3D视觉方向论文辅导来啦可辅导SCI期刊、CCF会议、本硕博毕设、核心期刊等。添加微信cv3d001备注姓名方向单位邀请入群。