DICE 达 0.909
该模型通过混合特征增强与多池融合编码，结合熵量化动态核，实现高精度焊缝定位和缺陷检测，显著提升输出确定性。
Li, Liangliang · 王鹏 · Lü, Zhigang · Di, Ruohai · Sun, Mengyu · Wang, Xueren · Bin, Wang
Engineering Applications of Artificial Intelligence 2026
基于熵量化理论设计的高确定性动态核缺陷检测模块，弥补了确定性输出的不足，使检测结果更可靠。
采用SCLT模型结合CNN与LSTM并利用迁移学习处理序列数据，实现焊缝区域的高精度定位。
在WFR数据集上各项指标领先：DICE达0.9090，Precision达0.8646，Recall达0.9623，Jaccard达0.8364，优于现有方法。
设计了动态调整重组图像质量的数据增强方法，从标注像素覆盖率和分割区域大小分布两方面提升了数据集的多样性。