在现代工业制造领域，焊接技术是航空航天、核能、能源运输和石化工程等关键行业中的核心工艺，直接决定了结构部件的运行安全和长期可靠性[1]。例如，飞机发动机转子部件中的微米级焊接裂纹在高温高压条件下可能会迅速扩展，最终导致灾难性故障。同样，油气管道中的未完全熔合缺陷也可能引发泄漏事故，造成数十亿元的经济损失和严重的环境污染[2]。在制造钢结构部件过程中，焊接熔合区本身是一个固有的薄弱环节——熔合不均匀、工艺参数波动（如电流、电压和焊接速度不稳定）以及环境因素干扰（如温度和湿度的变化）都容易引发各种类型的缺陷[3],[4]。这些缺陷显著降低了材料的脆性断裂抗力和疲劳性能，对产品质量和生产安全构成持续且严重的威胁。因此，实现焊接缺陷的准确分类和高效检测已成为突破工业产品质量控制瓶颈、确保生产安全的关键技术要求[5],[6]。
传统的钢焊接缺陷无损检测（NDT）技术主要包括超声波检测[7]、射线检测[8],[9]、渗透检测[10]和磁粉检测[11]。然而，这些方法的固有局限性使得它们难以满足现代工业对高精度和实时性的核心要求：它们通常对工件表面条件敏感，容易受到环境因素和工艺残留物等多重干扰因素的影响，并且在识别微米级微裂纹方面能力较弱；某些技术还存在辐射等安全风险，同时设备部署和运行成本较高，检测效率低下，无法适应在线连续质量监控场景。视觉检测方法完全依赖于操作人员的经验判断，不仅效率低下，而且结果的一致性和稳定性较差，难以满足大规模工业生产的质量控制标准[12]。相比之下，红外热成像检测技术利用其非接触式测量优势，可以在高温或复杂工作条件下快速捕捉焊接区域的热特征差异，有效避免了传统接触式检测的操作限制。其实时成像能力能够实时反馈焊接过程中缺陷的发展情况。此外，红外热成像技术对焊接缺陷引起的热传导异常具有高度敏感性，即使是通过视觉检测或传统NDT难以识别的微裂纹和局部未完全熔合等细微缺陷，也能通过热分布差异准确捕捉到。此外，该技术没有辐射安全风险，设备运行和维护成本较低，完全符合现代工业焊接质量检测的需求。
随着计算机视觉和人工智能技术的快速发展，基于深度学习的检测方法由于其高效、精确和自动化的显著优势，逐渐成为焊接缺陷识别的主流趋势。在各种目标检测算法中，YOLO（You Only Look Once）系列因其在工业缺陷检测领域的出色实时性能和检测精度而受到广泛关注[13]。然而，在面对钢板焊接缺陷的红外图像检测这一复杂场景时，这些算法仍面临诸多挑战：红外图像本身存在严重的背景干扰和模糊的缺陷特征，且缺陷尺度范围广泛，这对算法的多尺度特征提取能力提出了更高要求。现有的深度学习方法，包括各种改进的YOLO模型，仍存在许多无法克服的共性缺陷，导致检测性能与实际工业需求之间存在显著差距。具体来说，大多数现有方法采用通用特征增强策略，缺乏针对焊接缺陷红外图像核心特征的针对性设计。这些特征包括微弱的热特征和强烈的背景干扰，使得难以有效区分缺陷特征和焊接过程中产生的背景噪声，在复杂工作条件下导致漏检率持续较高。在多尺度缺陷适应方面，现有改进模型的优化思路也存在明显局限[14]。传统的特征金字塔大多仅实现简单的尺度串联，缺乏针对焊接缺陷的差异化特征增强设计，导致小目标漏检问题突出；在区分相似缺陷方面，现有方法主要依赖单一维度特征或单分支注意力机制，缺乏多维度特征融合机制，无法同时实现背景抑制和缺陷特征增强，进一步加剧了相似缺陷的误判问题[15]。
上述共性缺陷的存在使得现有深度学习方法难以在焊接缺陷的红外检测中实现“准确性、效率和鲁棒性”的核心目标，严重限制了智能检测技术在工业现场场景中的大规模应用。为了解决这些问题，本文提出了一种基于YOLOv11的改进检测框架（SFP-YOLO），专门用于钢板焊接缺陷的红外图像检测。其整体流程包括图像采集、预处理、标注和模型训练：首先使用高精度红外热成像仪收集包含焊接缺陷的图像，并进行小波去噪和数据增强等预处理操作，以提高图像质量和数据多样性；随后对图像进行准确标注，构建高质量标记数据集；最后将预处理数据输入SFP-YOLO模型进行训练，以实现焊接缺陷的准确检测和分类。主要贡献如下：
1.引入SCConv模块重构YOLOv11的原始C3K2模块。通过空间和通道维度的特征重构，该模块增强了微弱热特征的可区分性，同时降低了计算复杂度，特别是解决了焊接红外图像中“难以区分背景和缺陷特征”的问题。
2.采用PPA机制替换原始的C2PSA模块。与现有的单分支注意力模型不同，它通过局部-全局卷积多分支融合和分层注意力机制解决了相似缺陷区分不准确的问题。
3.将FEM插入颈部模块。通过结合多分支卷积和可变形卷积，该模块特别增强了微小缺陷的特征表达能力，提高了微米级裂纹的检测率。
本研究的技术路线如下：第2节系统回顾了相关研究的进展；第3节构建了实验平台并获取了缺陷检测数据集；第4节详细阐述了SFP-YOLO模型的架构设计；第5节通过多组对比实验验证了模型性能；第6节总结了研究结果并指出了未来研究方向。本文提出的方法整体框架示意图如图1所示。
