压电蜂鸣器被认为是现代电子系统中不可或缺的组件。它们在汽车电子、医疗报警和智能家居设备中的广泛应用，对其长期可靠性提出了严格要求[1]。由于压电陶瓷材料固有的高硬度和脆性，在切割和研磨等精密加工过程中，表面和亚表面层容易产生划痕和凹痕等微观损伤。因此，压电陶瓷盘的结构完整性被视为决定设备性能一致性和使用寿命的关键因素[2]。这些表面缺陷被认为是应力集中点，会显著降低材料的抗断裂能力。在机电耦合载荷下，它们被视为裂纹形成的起始点，最终可能导致设备疲劳失效或突然断裂[3]。因此，对陶瓷盘表面进行严格高效的质量检测对于确保最终产品的质量和可靠性至关重要。
随着深度学习和计算机视觉技术的不断进步，基于图像的非金属材料表面缺陷检测方法已逐渐发展，并在玻璃、塑料和混凝土等工业领域得到广泛应用[4]。研究人员对非金属材料的常见缺陷进行了广泛研究。Yu、Wang、Yang、Liang、Li、Wang、He、Zhang和Lu[5]提出了GSDNet，该模型结合了可变形卷积的SFE、尺度感知注意力以及双向特征聚合（EBiPAN），以实现准确的实时玻璃缺陷检测。Zheng、Shi、Yan、Liang、Wei、Yang、Guo和Xie[6]提出了GlassNet，将玻璃标签分解为内部和边界图，并采用三流网络和多尺度上下文及边界注意力进行鲁棒的单图像玻璃检测。Wu、Zeng、Chen、Wang、He、Xiao和Luo[7]提出了LFF-YOLO，这是一种轻量级的YOLO，通过LGFM和HLFM模块增强塑料瓶上小缺陷的实时检测。Çelik、Arslankaya和Yildiz[8]基于YOLOv8s构建了一个实时缺陷检测系统，通过数据增强和超参数调整，在塑料表面的划痕、污渍和反光缺陷上实现了0.990的高mAP。Chen、Bian、Jing和Liu[9]结合了SqueezeNet、YOLOv8和K-means，实现了多级混凝土裂纹的准确识别，涵盖了分类、检测、分割和宽度提取。Raushan、Singhal和Jha[10]使用自建的多特征背景数据集系统评估了YOLO模型，实现了对混凝土结构损伤的鲁棒识别和定位。Xu、Zhang、Yue和Liu[11]提出了一个带有注意力的YOLOv5–DeepLabv3+框架，用于准确的多任务混凝土裂纹分析，包括分类、检测、分割和宽度测量。
许多研究人员在陶瓷材料表面缺陷检测方面取得了显著进展，特别是在各种应用场景中的压电陶瓷和陶瓷基板方面。Lei、Sun、Zhu、Ma和Liang[12]提出了一种带有注意力的1D-CNN，能够在去除伪影后准确检测平面陶瓷膜内的内部缺陷。Mao、Wu、Xie、Li和Yang[13]开发了一种轻量级的YOLOv8模型，用于检测陶瓷杯上的微小缺陷，提高了小物体的识别能力，并实现了生产线上的高效自动化检测。Sun、Hua、Ding和Hua[14]开发了NGASP-YOLO，用轻量级分组卷积替换了YOLOv8的卷积，并简化了注意力机制，实现了实时的多尺度陶瓷缺陷检测。Liu、Qiu、Fu、Chen、Wu和Sun[15]提出了YOLOv8_P，通过加深FPN-PAN层并使用SR-MCAE基于的模板重建来增强小缺陷检测，实现了纹理瓷砖缺陷的实时精确检测。He、Cai、Chen、Hu、Hu和Fu[16]构建了PFEI-Net，其在DFM主干中加入了门控感知和上下文提取，并结合MSIG-FPN实现了跨阶段融合，实现了精确的实时陶瓷基板缺陷检测。Chen、Zou、Yang、Zheng、Lei、Huang、Liu和Li[17]开发了DepRes-SK-ECA-YOLOv5，用于3D打印陶瓷的实时多尺度缺陷检测。Chen、Zou、Zheng、Huang、Li和Liu[18]提出了一个三阶段抗干扰检测方法，使用MFLF-PSP网进行定位，PSCAM-RFR网进行像素修复，以及Inception-SSD进行3D打印陶瓷的缺陷检测。Tian和Zhu[19]开发了一种使用激光条纹-Hough变换和多视图成像的连接分析方法，用于量化陶瓷纹理的3D预测和质量提升[20]，并开发了RIMLV和形态学闭合方法进行陶瓷瓷砖缺陷检测，通过SVM验证实现了更高的准确性和生产效率。然而，关于成品压电陶瓷蜂鸣器表面缺陷检测的研究仍然相对有限。当缺陷与背景在颜色或纹理上差异较小时，准确识别尤其具有挑战性。
压电陶瓷蜂鸣器的表面缺陷检测是工业质量控制中的关键步骤，因为这些缺陷会直接影响设备的振动性能、声学稳定性和长期可靠性。在所考虑的检测任务中，陶瓷盘的直径约为27毫米，主要缺陷包括长度在5到18毫米、宽度在0.15到0.5毫米之间的划痕，以及横向尺寸约为2到4毫米的凹痕。尽管缺陷类别数量有限，但它们的小规模、微妙的外观和不规则的形态对检测灵敏度和稳定性提出了严格要求，特别是在动态和反射性的工业检测条件下。因此，开发一种准确且实时的自动化视觉检测方法对于陶瓷蜂鸣器表面具有重要的实际价值和工业必要性。压电陶瓷蜂鸣器表面缺陷的检测也面临多个挑战。
首先，陶瓷表面具有均匀的颜色和光滑的纹理，这导致缺陷区域与正常区域之间的视觉对比度极低。对于27毫米陶瓷盘上的小规模缺陷（如狭窄的划痕和浅凹痕），这种低对比度使得缺陷特征容易淹没在背景噪声中，给可靠的自动化检测带来了根本性挑战。
其次，许多缺陷表现为长度几毫米但宽度仅几毫米的浅划痕，或是横向尺寸有限的小凹痕。这些缺陷通常具有不规则的形状和不完整的轮廓，导致视觉特征较弱且不稳定，难以被检测算法准确定位和分类。
第三，在传送带检测过程中，反射性的陶瓷表面对环境光照变化非常敏感。镜面反射、阴影和不均匀的照明可能会产生与实际缺陷尺寸相当的高光或暗区，这可能会掩盖细微的缺陷特征，增加漏检或误检的风险。
第四，工业检测系统必须满足严格的实时要求，以匹配生产吞吐量。在保持低计算延迟的同时准确检测小缺陷和低对比度缺陷的需求进一步限制了算法设计，使得在实际制造环境中难以同时实现高检测精度和稳定的实时性能。
所考虑的表面缺陷检测任务面临多个内在挑战，包括均匀纹理陶瓷表面上的低视觉对比度、弱而不规则的缺陷特征、对反射性和动态光照条件的敏感性，以及工业生产线中的严格实时要求。在这些限制下，检测性能不仅取决于缺陷类别的数量，更取决于检测的鲁棒性、稳定性和效率。依赖手工特征或固定决策规则的常规检测方法在面对细微划痕、浅凹痕和变化的光照条件时往往难以保持一致的性能，因此不足以用于可靠的工业部署。
为了解决上述挑战，基于YOLOv11n架构提出了一个改进的模型CerDef-Detector，以实现压电陶瓷蜂鸣器中缺陷（包括划痕和凹痕）的高精度检测。本研究的主要贡献总结如下：
1)构建了一个涵盖各种缺陷类型和光照条件的蜂鸣器陶瓷板缺陷图像数据集，为模型训练提供了基础数据支持。
2)基于YOLOv11，我们引入了D2A模块、BDFIM模块和Shape-IoU损失函数，这些机制显著增强了模型对边缘细节和多尺度上下文信息的感知能力，并有效优化了边界框回归，从而提高了微小缺陷区域的检测精度。
3)所提出的D2A模块旨在引导模型同时建模空间和通道维度上的显著性差异，从而有效提高了其对图像中细小线性结构（如凹痕和划痕）的感知能力。
4)所提出的BDFI模块采用对称的双分支结构和交叉融合机制，有效分离了缺陷区域和背景区域的特征，从而显著增强了模型的鲁棒性和泛化能力。
