本文基于Tang等2026年发表的焊接缺陷检测相关论文，从科研逻辑出发拆解其研究背景、技术方法、学术创新与研究缺口，提炼可复用的研究思路与技术框架，为焊接质量检测、结构健康监测领域的硕博生研究提供参考。
【论文基础索引】
论文标题：Multimodal data fusion for welding defect detection using ensemble deep learning（基于集成深度学习的多模态数据融合焊接缺陷检测）
核心作者：第一作者Shiqiang Tang（华中科技大学土木与水利工程学院）；通讯作者Limao Zhang（华中科技大学土木与水利工程学院、华中科技大学数字建造技术创新国家中心）
发表期刊/会议：Automation in Construction
发表时间：2026年
卷期/页码：182 (2026) 106694
核心标签：多模态融合、深度学习、焊接缺陷检测、Dempster–Shafer理论、模型可解释性
一、论文核心背景与问题
本部分严格基于论文引言与研究背景内容，梳理研究的逻辑起点、现有研究局限、核心解决思路与最终实现效果，明确研究的核心价值定位。
（一）行业/学术核心痛点
焊接是基建工程（高层建筑、地铁隧道、桥梁）的核心连接工艺，焊接缺陷（裂纹、气孔、未熔合等）会成为应力集中点，导致结构灾难性断裂，因此精准的焊接缺陷检测是保障工程结构安全的关键。当前行业与学术领域面临四大核心痛点：
传统检测方法（X射线、超声波、磁粉检测等）依赖操作人员经验，自动化程度低、检测效率差；
传统机器学习方法易受认知偏差影响，无法处理焊接缺陷的复杂形态与噪声干扰；
单模态深度学习仅能从单一数据维度表征缺陷，无法完整捕捉焊接缺陷的复杂物理本质，存在检测盲区；
深度学习模型的“黑箱”特性导致决策过程不可解释，在结构健康监测中无法验证模型是否聚焦实际缺陷，影响工程应用可信度；
工业焊接数据集普遍存在类别不平衡、小样本、参数多重共线性等问题，进一步降低检测模型的鲁棒性。
（二）现有主流研究的进展与关键局限性
近年来深度学习已成为焊接缺陷检测的主流研究方向，实现了从“人工特征设计”到“自动特征学习”的转变，且多模态融合思路逐渐被应用，但论文原文指出现有研究仍存在三大核心局限性，未从根本上解决上述痛点：
单模态表征的固有缺陷：单模态深度学习模型（图像/数值参数/传感器信号）仅能提供焊接缺陷的局部、片面特征，缺乏全局完整性和判据冗余，无法完整表征缺陷的复杂物理本质；
多模态融合策略的不足：现有融合方法（特征拼接、简单投票/平均）要么假设各模态可靠性相同，要么无法处理模态间的信息冲突，而基建场景中材料、结构、温度的差异会进一步加剧模态预测矛盾；
模型决策的不可解释性：深度学习模型的黑箱特性使得工程师无法验证模型决策的依据，也无法量化各模态数据对决策的贡献，易因模型误判引发工程安全隐患，且不利于后续传感器布局与模型优化。
（三）论文提出的核心解决思路
针对上述局限性，论文提出集成多模态深度学习模型（EMMDL），以“多模态信息互补+冲突感知融合+可解释性决策”为核心设计思路，同时配套针对性的数据处理策略解决工业数据的固有问题，具体为：
多模态模型架构设计：构建双输入权重共享网络（DF-ResNet）处理焊缝熔核正反表面RGB图像，设计IrNet和ANN分别处理红外图像与焊接参数，充分挖掘不同模态的互补信息；
冲突感知的决策级融合：采用Dempster–Shafer（DS）证据理论融合各基础模型的输出，显式考虑认知不确定性与模态间的信息冲突，提升融合决策的鲁棒性；
双重可解释性分析：引入Grad-CAM可视化模型对图像的关注区域，验证模型是否聚焦实际缺陷；采用MM-SHAP量化各模态数据对分类决策的贡献比例，明确不同模态的作用；
工业数据适配处理：通过仿射变换（图像）和高斯噪声扰动（数值参数）解决数据不平衡问题，通过方差膨胀因子（VIF）分析去除焊接参数的多重共线性，提升模型在实际数据中的适配性。
（四）论文最终实现的核心效果与贡献
论文基于公开电阻点焊数据集完成模型验证，实现了高精度、高鲁棒、可解释、实时化的焊接缺陷检测，核心量化结果与贡献如下：
EMMDL模型的整体分类准确率达91.6%，显著优于所有单模态基础模型（IrNet 78.7%、DF-ResNet 85.0%、ANN 85.5%）；
双输入权重共享设计使表面图像分类的准确率提升7.87%，且模型在小样本场景下具有强鲁棒性（训练样本减少至70%时，准确率仅下降5.88%）；
缺陷检测的灵敏度达99.2%、漏检率仅0.8%，满足工业对缺陷检测低漏检的核心需求，单样本推理时间仅6.14ms（理论吞吐量162fps），实现实时检测；
首次将MM-SHAP应用于焊接缺陷检测，量化了各模态的贡献规律（如识别Bad样本时模型更依赖红外图像），为传感器布局优化提供依据；
验证了DS理论在工程多模态数据融合中的有效性，相比特征拼接、贝叶斯模型平均（BMA）等策略，融合效果更优。
二、核心技术方法拆解
本部分按实验平台与设计→核心实施步骤→关键技术细节的逻辑重构论文方法论，深度拆解可复现的技术要点。
（一）实验平台与设计
实验平台与设计的核心思路是“适配工业场景+保证实验严谨性”，从硬件、数据集、变量控制、验证方案四个维度进行设计，相比同领域研究，重点优化了数据不平衡处理、训练测试污染规避、多维度验证体系，具体如下：
硬件与软件平台
硬件：搭载12th Gen Intel(R) Core (TM) i7-12700KF CPU、NVIDIA GeForce RTX 4060 GPU、32 GB RAM的台式机，满足深度学习模型的训练与推理需求；
软件：Python 3.10.16为核心开发语言，PyTorch 2.0.0构建深度学习模型，OpenCV 4.11.0.86做图像增强，Scikit-learn 1.6.1计算评估指标，Grad-cam 1.5.5和Shap 0.42.0实现模型可解释性分析，所有随机种子设为42保证实验可复现。
数据集构建与优化
原始数据集：采用公开的Resistance Spot Welding Insights数据集(https://www.kaggle.com/datasets/warcoder/resistance-spot-welding-insights)，含495个电阻点焊样本，采集了红外图像、焊缝正反表面RGB图像、7类焊接参数，将焊接质量分为Good（89.5%）、Bad（4.2%）、Explode（6.3%）三类，存在严重的类别不平衡；
数据增强：对图像做仿射变换（平移、旋转、缩放、翻转），对数值参数做高斯噪声扰动（乘以N(1,0.1²)的随机数），Bad样本增强19倍、Explode样本增强13倍，最终数据集扩充至1297个样本，三类样本数量趋于平衡；
污染规避：先对原始数据集按7:3进行分层抽样（保证训练/测试集类别分布一致），再对各子集独立做数据增强，避免同一原始样本的增强数据同时出现在训练/测试集；
参数处理：对焊接参数做VIF分析，迭代去除VIF≥10的特征，最终保留5个无多重共线性的特征（焊接时间、电极角度、电极力、焊接电流、材料厚度A）。
变量控制
模型初始化：ResNet骨干网络采用ImageNet预训练权重，其余网络组件采用随机初始化，保证特征提取的有效性；
正则化策略：采用30% Dropout和5×10⁻⁵权重衰减，避免模型过拟合；
训练策略：所有基础模型均训练100轮，采用相同的超参数，保证对比的公平性。
验证方案
分类指标：采用宏平均的Accuracy、Precision、Recall、F1-score，适配平衡后的数据集，避免单一指标的局限性；
工业指标：计算缺陷检测的灵敏度、漏检率（MDR）、虚警率（FAR），贴合工业实际应用需求；
对比实验：验证ResNet骨干网络相比AlexNet、VggNet、Vision Transformer的优越性，验证DS融合相比BMA、投票、模糊逻辑的优越性；
消融实验：验证FPN、双输入、权重共享三个组件对DF-ResNet性能的提升作用。
（二）核心实施步骤
论文的技术方法形成了“数据处理→基础模型训练→多模态融合→模型评估与解释”的完整技术闭环，共分4个核心步骤，每一步均有明确的解决目标，具体如下：
步骤1：多模态数据采集与预处理（解决目标：适配工业数据特点，提升数据质量）
采集电阻点焊过程中的三类多模态数据：焊缝熔核红外图像、正反表面RGB图像、焊接工艺/材料参数；
对RGB图像和红外图像做仿射变换增强，先镜像扩展边缘10%，再随机执行平移/旋转/缩放/翻转，最后中心裁剪至原尺寸，避免边界特征丢失；
对焊接参数做高斯噪声扰动增强，原始值乘以N(1,0.1²)的随机数，保证数据的物理合理性；
对焊接参数计算VIF值，迭代去除VIF≥10的特征，直至所有特征VIF<10，消除多重共线性；
将原始数据集按7:3分层抽样为训练集（917）和测试集（380），对各子集独立做数据增强，避免训练测试污染。
步骤2：基础模型构建与训练（解决目标：挖掘单一模态的有效特征，实现单模态缺陷检测）
构建DF-ResNet：基于ResNet-18+FPN构建双输入权重共享网络，将焊缝正反表面RGB图像并行输入两个结构相同、参数共享的F-ResNet，提取多尺度特征后通道拼接，经全连接层输出三类质量的概率；
ResNet-18 中的两种残差结构：（a）保持特征图大小，（b）改变特征图大小
FPN 增强的 ResNet (F-ResNet) 网络架构
双输入 FPN 增强 ResNet (DF-ResNet) 网络架构
构建IrNet：设计轻量卷积网络，含2个卷积+ReLU+最大池化层，全局平均池化后经全连接层输出红外图像的分类概率；
构建ANN：设计两层全连接网络（16、32神经元），ReLU激活，Softmax输出焊接参数的分类概率；
ANN 和 IrNet 的结构：（a）ANN，（b）IrNet
模型训练：设置超参数（批次64、学习率0.0005、SGD优化器（动量0.9）、交叉熵损失），训练100轮，ResNet骨干网络用预训练权重初始化，其余组件随机初始化。
步骤3：基于DS理论的多模态决策级融合（解决目标：处理模态间信息冲突，实现多模态互补决策）
集成多模态深度学习框架
定义识别框架：Θ={Good, Bad, Explode}，将各基础模型输出的概率向量转换为基本概率分配（BPA），无剩余不确定质量（m_i(Θ)=0）；
计算冲突系数：按DS组合规则计算任意两个模型BPA的冲突系数K，量化模态间的信息冲突；
多模态融合：采用依次融合策略，先融合DF-ResNet与IrNet的BPA，再将融合结果与ANN的BPA融合，归一化因子为1-K，避免冲突导致的不合理决策；
最终决策：以融合后各类型的置信度（Bel）为决策准则，选择置信度最高的类别作为最终检测结果。
步骤4：模型评估与可解释性分析（解决目标：全面评估模型性能，解析模型决策依据）
模型性能评估：计算宏平均的Accuracy、Precision、Recall、F1-score，以及工业指标灵敏度、MDR、FAR，评估模型的检测精度与工业适配性；
图像模态可解释性：采用Grad-CAM生成热力图，可视化模型处理图像时的关注区域，验证模型是否聚焦焊缝熔核/缺陷区域；
多模态贡献量化：采用MM-SHAP计算各模态的Shapley值，聚合并归一化后得到各模态对分类决策的贡献比例，明确不同模态的作用规律；
MM-SHAP 计算过程
模型对比验证：做消融实验验证DF-ResNet各组件的有效性，做对比实验验证骨干网络与融合策略的优越性。
t-SNE 分析的数值参数结果
(a) IrNet、(b) DF-ResNet、(c) ANN 和 (d) EMMDL 的混淆矩阵
单峰和多峰指标的比较
消融实验中评估指标的比较
不同模态信息在模型预测中的贡献比例
测试数据的模态贡献分布
Grad-Cam 对不同目标类别的分析
集成深度学习模型的分类性能
骨干网络模型分类的混淆矩阵，骨干网络分别为：(a) AlexNet，(b) VggNet，(c) GoogleNet，(d) MobileNetv2，(e) SqueezeNet，(f) Vision Transformer，(g) ResNet，以及 (h) F-ResNet
减少训练集中的样本数量时评估指标的值：（a）准确率；（b）精确率；（c）召回率；（d）F1 分数
不同集成方法下的比较：（a）准确率；（b）精确率；（c）召回率；（d）F1 分数
（三）关键技术细节
本部分拆解论文原文中可直接复用、有明确数学模型/参数规范的核心技术细节：
模型训练的超参数规范
三、学术创新与研究价值
本部分从差异化学术创新和研究价值两个维度展开，创新点严格对应论文原文提及的现有研究局限性，研究价值结合论文量化结果分析，不主观夸大，不杜撰对比研究。
（一）差异化学术创新
论文的创新点并非单一技术改进，而是“模型架构+融合策略+可解释性+数据处理”的系统性创新，每个创新点均精准解决现有研究的一个核心局限性，实现了从“单模态检测”到“多模态可解释检测”的突破，核心差异化创新点如下：
针对单模态表征不完整的问题：提出双输入权重共享的FPN增强ResNet（DF-ResNet）
现有单输入图像模型仅利用焊缝单表面信息，易遗漏单侧缺陷，论文设计双输入权重共享架构，充分利用正反表面的互补视觉信息，同时FPN增强了多尺度特征提取能力，权重共享机制减少了参数数量、提升了小样本场景的鲁棒性。实验结果表明，该架构相比传统单输入ResNet，分类准确率提升7.87%，F1-score提升8.26%，解决了单视角图像易遗漏缺陷、小样本下模型泛化能力差的问题。针对多模态融合无法处理冲突的问题：采用DS证据理论实现决策级融合
现有融合策略（特征拼接、简单投票、BMA）无法显式处理模态间的信息冲突，而基建场景中模态矛盾是普遍现象。论文将各基础模型的输出转换为BPA，通过DS组合规则量化并处理冲突，相比其他融合策略，DS融合后的模型准确率达91.6%，相比最优单模态模型提升6.07%，相比BMA、模糊逻辑的F1-score分别提升0.8%、1.0%，解决了模态冲突时融合结果不可靠的核心问题，同时DS融合的依次融合策略可灵活拓展新的模态/模型，具有良好的扩展性。针对模型决策不可解释的问题：提出Grad-CAM+MM-SHAP的双重可解释性框架
现有研究仅关注模型检测精度，未实现可解释性，论文首次将MM-SHAP应用于焊接缺陷检测，结合Grad-CAM实现了“视觉可视化+模态贡献量化”的双重可解释：Grad-CAM验证模型是否聚焦焊缝熔核/缺陷区域，避免模型因背景干扰误判；MM-SHAP量化各模态的贡献比例，明确了模型识别不同类别样本的模态偏好（如识别Bad样本依赖红外图像、识别Explode样本依赖表面图像）。该框架填补了焊接缺陷检测中模型决策可解释性的空白，解决了工程应用中模型可信度低的问题。针对工业数据固有问题：提出分层抽样+独立增强的不平衡数据处理策略
现有数据增强方法易导致训练测试污染，论文先分层抽样再对各子集独立增强，既保证了训练/测试集的类别分布一致，又避免了同一原始样本的增强数据跨集；同时结合物理意义适配的增强操作（图像仿射变换、参数高斯噪声），而非无差别的数据扩充，提升了增强数据的有效性。实验结果表明，该策略有效解决了数据集不平衡问题，使模型对少数类样本（Bad/Explode）的识别Recall均达97%以上。
（二）研究价值
论文的研究价值体现在学术理论补全和实际落地潜力两个维度，均以论文原文的量化结果和技术设计为支撑，是对焊接缺陷检测和结构健康监测领域的双重贡献：
1. 学术理论补全
丰富了焊接缺陷检测的多模态融合理论：验证了DS证据理论在处理工程多模态数据冲突中的有效性，为结构健康监测、工业缺陷检测等领域的多模态融合提供了新的理论参考，突破了传统融合策略的局限性；
完善了工程深度学习的可解释性方法体系：首次将MM-SHAP与Grad-CAM结合应用于焊接缺陷检测，实现了“局部特征可视化+全局模态量化”的双重可解释，为深度学习在工程领域的可解释性研究提供了新的框架；
拓展了小样本多视角图像分类的模型架构设计：提出的双输入权重共享网络，为小样本、多视角的工业图像分类任务提供了新的设计思路，证明了权重共享在有限数据下的特征利用优势。
2. 实际落地潜力
高精度+高实时性：模型准确率91.6%、缺陷检测灵敏度99.2%，单样本推理时间仅6.14ms，满足工业自动化检测对精度和速度的双重核心需求，理论吞吐量162fps可适配流水线检测；
易集成+低成本：模型基于开源工具（PyTorch、OpenCV等）构建，无专属硬件需求，可直接与工业现有的传感器系统（红外相机、RGB相机、参数采集模块）集成，降低工业落地的改造成本；
强鲁棒+适配性：模型在小样本场景下具有高鲁棒性（训练样本减少至70%时准确率仅降5.88%），且数据处理策略适配工业数据的不平衡、多重共线性问题，可直接应用于电阻点焊的实际生产质量控制；
可优化+易迭代：MM-SHAP量化了各模态的贡献比例，为工业现场的传感器布局优化提供了明确依据（如提升红外图像分辨率以增强Bad样本识别），Grad-CAM可视化了模型的误判原因，为模型后续优化指明了方向。
四、研究启发与缺口挖掘
本部分从可复用技术与思路和研究缺口与切入思路两个维度展开，可复用内容均为论文原文明确披露的可迁移技术，研究缺口优先基于论文原文提及的局限性，辅以研究边界的合理推导，每个缺口均配套可执行的切入思路，直接服务于课题研究。
（一）可复用技术与思路
论文的研究方法和技术框架具有较强的跨场景迁移性，可直接复用至焊接缺陷检测、结构健康监测、工业缺陷检测等领域，核心可复用内容及适配场景、注意事项如下：
双输入权重共享的多视角图像分类架构
适配场景：需要多视角采集的工业缺陷检测（如焊缝、铸件、板材、压力容器的多面缺陷检测）、结构健康监测（如桥梁构件、隧道衬砌的多视角裂纹检测）；
复用方式：基于ResNet/FPN构建双输入/多输入权重共享网络，将多视角图像并行输入参数共享的特征提取网络，特征拼接后做分类/检测；
注意事项：需保证各视角图像的特征模式相似，权重共享才能有效利用有限数据，避免因视角差异过大导致特征学习混乱。
DS理论的多模态决策级融合方法
适配场景：工程领域多模态数据（图像+数值参数+传感器信号）的融合分类/检测，如混凝土裂缝检测（图像+应变数据）、轴承故障检测（振动信号+温度数据）；
复用方式：将各单模态模型的输出转换为BPA，通过DS组合规则依次融合，以置信度为决策准则；
注意事项：当冲突系数K接近1时，需判定融合结果无效，避免模态严重冲突导致的不合理决策；可结合模态权重调整，提升可靠模态的贡献比例。
Grad-CAM+MM-SHAP的双重可解释性分析框架
适配场景：深度学习在工程结构健康监测、工业质量控制中的应用，尤其是对决策可信度要求高的场景；
复用方式：用Grad-CAM可视化图像模态的模型关注区域，验证模型是否聚焦目标特征；用MM-SHAP量化各模态的贡献比例，明确不同数据的作用；
注意事项：MM-SHAP的Token分配需平衡各模态的特征数量，确保贡献量化的客观性；对时序数据，可结合时序SHAP提升量化效率。
分层抽样+独立增强的不平衡数据处理策略
适配场景：工业数据集普遍存在的类别不平衡问题，如缺陷检测、故障诊断（正常样本远多于异常样本）；
复用方式：先对原始数据集按类别分层抽样，再对各子集独立做数据增强，避免训练测试污染；
注意事项：增强操作需符合数据的物理意义，如图像采用仿射变换、数值参数采用高斯噪声、传感器信号采用时域/频域变换，避免无意义的增强导致模型学习错误特征。
数值参数的VIF多重共线性处理
适配场景：含多个数值参数的工程检测/预测任务，如焊接质量预测、混凝土强度预测、桥梁挠度预测；
复用方式：迭代计算各特征的VIF值，去除VIF≥10的特征，直至所有特征无严重多重共线性；
注意事项：保留的特征需具备实际工程意义，避免仅从统计角度去除关键参数，可结合领域知识做特征筛选。
（二）研究缺口与切入思路
论文原文在结论部分明确提出了研究的局限性，同时基于论文的研究边界（如验证场景、模型架构、融合层级）可合理推导部分未覆盖的研究缺口，每个缺口均配套1句极简可执行的切入思路，明确课题设计的具体方向：
缺口1：融合方式为决策级融合，未考虑不同模态特征间的交叉影响（论文原文提及）；切入思路：设计基于Transformer的跨模态特征融合架构，构建多模态联合特征空间，挖掘图像、参数的跨模态关联信息。
缺口2：仅实现焊接完成后的缺陷检测，未实现焊接过程中的实时预测与参数调整（论文原文提及）；切入思路：结合焊接过程的时序数据（实时电流、温度、电极力变化），构建LSTM/TCN时序深度学习模型，实现焊接缺陷的实时预测，并联动焊接设备进行参数自适应调整。
缺口3：模型仅在电阻点焊数据集上验证，未拓展至其他焊接工艺（如电弧焊、激光焊）（论文原文提及）；切入思路：收集电弧焊、激光焊的多模态数据集，对DF-ResNet做轻量化适配，验证模型在不同焊接工艺中的鲁棒性。
缺口4：数据集虽做增强但仍基于公开数据集，未在实际工厂环境中验证（论文原文提及）；切入思路：与工业企业合作，采集含复杂环境干扰（粉尘、光线、振动）的工厂焊接多模态数据，加入干扰抑制模块优化模型，进行工业现场试点验证。
缺口5：模型对Good和Explode样本的区分能力不足，存在部分误判（基于实验结果推导）；切入思路：引入注意力机制约束模型聚焦焊缝熔核的关键特征（如飞溅区域），并增加含相似干扰特征的负样本进行训练，提升两类样本的区分度。
缺口6：MM-SHAP的计算效率较低（单样本平均2.35s），无法满足实时可解释性需求（基于实验结果推导）；切入思路：对MM-SHAP做轻量化改进，采用近似计算方法减少Token组合数量，提升模态贡献量化的速度，适配实时检测的可解释性需求。
缺口7：数据增强仅采用传统的仿射变换和高斯噪声，未结合焊接缺陷的物理特征做针对性增强（基于研究边界推导）；切入思路：结合焊接缺陷的形成机理，设计基于物理的缺陷数据增强方法（如模拟飞溅、未熔合等缺陷的图像生成），提升模型对罕见缺陷的识别能力。
五、论文完整逻辑链梳理
本文的研究逻辑遵循“提出问题→分析问题→设计方案→实验验证→得出结论”的经典科研思路，完整逻辑链如下：
论文首先从基建工程中焊接质量对结构安全的核心重要性出发，提出焊接缺陷检测的行业与学术痛点：传统检测方法自动化低、单模态深度学习表征不完整、多模态融合无法处理冲突、模型决策不可解释，且工业数据存在不平衡、小样本、多重共线性等问题；接着通过文献综述分析现有研究的三大核心局限性，明确单模态表征不完整、多模态融合未处理冲突、模型决策不可解释是亟待解决的关键问题，同时现有数据处理方法无法适配工业焊接数据的特点；然后针对性设计了集成多模态深度学习模型（EMMDL）的整体方案：构建双输入权重共享网络（DF-ResNet）充分利用多视角视觉信息，设计IrNet和ANN分别处理红外图像与焊接参数，采用DS证据理论实现决策级融合以处理模态冲突，结合Grad-CAM和MM-SHAP实现模型的双重可解释性，同时设计仿射变换、高斯噪声扰动、VIF分析等数据处理策略解决工业数据的固有问题；随后基于公开的电阻点焊数据集完成实验验证：通过数据增强和预处理优化数据集质量，训练各基础模型并完成DS多模态融合，采用分类指标和工业指标评估模型性能，通过消融实验验证DF-ResNet各组件的有效性，通过对比实验验证ResNet骨干网络和DS融合策略的优越性，同时通过Grad-CAM和MM-SHAP完成模型的可解释性分析，明确了模型的决策依据和模态贡献规律；最后得出核心结论：EMMDL模型在电阻点焊缺陷检测中实现了91.6%的高准确率，双输入权重共享设计显著提升了模型的性能和小样本鲁棒性，DS融合有效解决了多模态数据的冲突问题，Grad-CAM+MM-SHAP实现了模型的可解释性，该方法为工业焊接缺陷的自动化检测提供了鲁棒、可解释的解决方案，同时指出了模型在融合层级、实时预测、工艺适配性等方面的局限性，并提出了相应的未来研究方向。
【个人思考衔接】
▢ 对论文方法的疑问与验证思路：
▢ 可直接复用在自身课题的内容：
▢ 拟拓展的研究方向：