一、一个被低估的产线难题：密封性缺陷为什么“看不见”
新能源农机电机壳体的密封性，直接决定电机在泥水、粉尘、高频振动环境下的寿命。传统检测依赖保压测试或人工目检：保压测试只能给出“合格/泄漏”的二元结论，无法定位缺陷位置与类型；人工目检则在高速产线上几乎不可行——壳体表面的缩孔、裂纹、密封槽缺胶、结合面划伤等缺陷，往往只有几个像素到十几个像素的尺度，且与金属拉丝纹理、加工刀纹高度混淆。
更棘手的是缺陷形态的“非标准性”。同一类“密封槽缺胶”，在压铸件上可能呈现为细长条状，在机加工件上可能是点状剥落。任何基于规则的传统视觉方案，都面临特征空间爆炸的问题。
2026年5月发表于《农机使用与维修》的一项研究给出了一个值得认真对待的答案：王普杰、黄军垒等作者在自建的电机壳体密封性缺陷图像数据集上，用YOLOv11取得了mAP50 = 97.5%、mAP50-95 = 77.6%的结果，并明确报告相较于YOLOv10、YOLOv9和YOLOv8，在精度和鲁棒性上均有显著提升。这个数字之所以值得工程团队关注，不在于97.5%本身，而在于它来自真实工业场景的自建数据集，而非COCO或VOC上的“刷榜”结果。
二、架构为什么“刚好够用”：C3k2与C2PSA在缺陷检测中的实际意义
论文的核心贡献在于对骨干网络和颈部网络的特征提取能力进行了针对性增强，同时控制了模型复杂度。要理解这一改进的工程价值，需要回到YOLOv11本身的架构变
