📘 Academic Research Poster

工业视觉检测
   多模态感知 × 高效能智能

面向复杂工业场景，通过跨模态融合与轻量化架构设计，解决环境干扰大、缺陷微弱、算力受限等核心痛点，实现高精度、高鲁棒性与极速推理。

◆ 微小目标感知    ◆ 跨光谱信息互补    ◆ 频域自适应抗干扰    ◆ 移动端极速推理

近期代表性研究成果

01 AI for Engineering, 2026

MWYOLO: 微小缺陷与细粒度感知：

解决低对比度与微小工业表面缺陷检测难题：

1）引入 C3K2-Mamba 空间融合模块，结合 SSM 融合全局与局部上下文。

• 2）设计 MWA (多频小波注意力)，精准捕捉不同频率微小模式。

• 3）采用 Inner-CIoU 损失，显著提升边界框回归稳定性。

NEU-DET 精度：81.4%

超轻量参数：3.2M

-----------------------------------------------------------------------------------------------------------------------

02 IEEE Sensors Journal, 2026

SFNet: 跨模态特征对齐与融合：

突破可见光(VIS)与红外(IR)特征融合中的冗余与不对齐瓶颈

• 1）提出语义级 SFM (稀疏融合模块)，细化显著特征并抑制背景噪声。

• 2）设计 APMM (自适应比例调制模块)，动态感知跨模态域分布并调整权重。

M3FD 精度：90.4%

场景鲁棒性：跃升

-----------------------------------------------------------------------------------------------------------------------

03 Acta Automatica Sinica, 2026

频域引导: 极端环境抗干扰

应对工业浓烟、暗光等非结构化恶劣环境下的目标检测：

• 1）构建 GSAM (组稀疏自注意力) 进行长距离特征选择。

• 2）引入 FDAW (频域自适应加权)，在频率域实现模态间的深层语义交互。

FLIR 精度：81.6%

抗干扰核心：频域解耦

-----------------------------------------------------------------------------------------------------------------------

04 Optics & Lasers in Eng., 2025

FTNet: 移动端与边缘计算

满足工业流水线极速推理与高精度分割的双重苛刻要求：

• 1）首创 快速三分支网络 (浅层+低层+高层)，极致保留纹理细节。

• 2）集成 MSFB 与 PAPPM，低复杂度下实现渐进融合与感受野放大。

工业分割精度：89.0%

极致推理：82.1 FPS

-----------------------------------------------------------------------------------------------------------------------

研究维度	代表算法	基准数据集	核心精度指标	模型参数 / 推理速度
单模态微小缺陷	MWYOLO	NEU-DET / HRIPCB	81.4% / 98.1% (mAP)	3.2M / ~60 FPS
跨模态基础检测	SFNet	M3FD / FLIR	90.4% / 87.0% (mAP)	5.6M / ~45 FPS
频域多光谱检测	Freq-Guided	FLIR / KAIST	81.6% / 76.2% (mAP)	6.1M / ~40 FPS
单模态实时分割	FTNet	Dataset A	89.0% (mIoU)	6.3M / 82.1 FPS

-----------------------------------------------------------------------------------------------------------------------

🔬工业表面质检                       📹智能安防监控                              🚗自动驾驶感知                         ✈️无人机遥感

微米级缺陷实时截获               全天候跨模态融合                          恶劣天气抗干扰识别                  边缘端低功耗部署