AFFS-YOLO模型在PCBN工具缺陷检测中的应用

聚晶立方氮化硼（PCBN）工具因其高硬度和脆性特性，在激光切割过程中易产生崩边、裂纹、烧蚀等缺陷，传统人工检测和机械接触式方法效率低下且精度不足。本研究提出基于渐进融合策略的AFFS-YOLO模型，通过三重核心创新实现高精度缺陷检测。在主干网络中，融合SE注意力机制与C3模块构建C3SE结构：利用全局平均池化压缩特征图，通过两层全连接层学习通道间非线性依赖关系，最终以缩放操作自适应调整特征权重，显式建模特征通道相关性，使网络聚焦关键缺陷特征。颈部网络采用渐进特征金字塔网络（AFPN）替代传统FPN，通过自适应空间融合（ASFF）实现非相邻层特征直接交互，以空间权重系数动态融合不同层级特征，显著提升模型对0.2mm级微小裂纹和5mm级大面积烧蚀的跨尺度检测能力。检测头引入Soft-NMS软抑制机制，采用衰减函数替代硬阈值，当预测框与最高分框IoU超限时按比例降低置信度，有效解决密集缺陷漏检问题。

实验基于自建专用数据集展开：使用2000万像素电子显微镜采集Covington光纤激光切割机加工的PCBN工具图像，标注烧蚀、崩边、杂质、裂纹四类缺陷共2976张图像，在NVIDIA RTX3090硬件环境下进行训练。结果表明，模型mAP@0.5达86.1%，较基准YOLOv5提升5.6个百分点。其中崩边和裂纹检测精度达93.6%，烧蚀和杂质分别为76.2%和81.0%。消融实验验证各模块贡献：C3SE模块提升mAP 1.7%，AFPN提升1.1%，Soft-NMS有效优化重叠缺陷处理。可视化分析显示，损失函数在20轮训练后稳定收敛，但混淆矩阵表明模型对纹理干扰下的烧蚀缺陷存在误判（精度77%），此为本研究主要局限。

未来工作将聚焦三方面改进：针对数据集样本不足问题（崩边缺陷仅200张），开发小样本迁移学习技术；探索知识蒸馏方案压缩模型参数量至5M以下，适配工业边缘设备部署；融合红外热成像等多模态数据提升烧蚀类缺陷判别能力。该模型以86.1%的检测精度为PCBN工具质控提供新范式，其渐进融合策略对精密陶瓷、半导体材料缺陷检测具有重要推广价值。