2026年6月6日，WilliamHill中文官方网站机械工程2024级博士郗梦璐以“A YOLO-Based Detector with Adaptive Fusion and Cross-Layer Attention for UAV-Based Wind Turbine Blade Defect Inspection”为题，在韩国济州岛举办的第八届国际材料与智能制造大会（2026 The 8th International Conference on Materials and Intelligent Manufacturing, ICMIM 2026）上发表国际会议论文1篇（EI检索），并进行了学术汇报与科研交流。
本次会议由美国佐治亚理工学院与化学与材料科学学会（CMS）联合主办，日本千叶大学、大阪大学以及美国自由大学等多所国际知名高校提供学术与技术支持。会议录用论文由Springer出版社收录于Lecture Notes in Mechanical Engineering（LNME）系列，并被EI Compendex、Scopus、SCImago等国际重要数据库检索，同时提交Web of Science数据库进行收录评估，具有较高的国际学术影响力和认可度。
会议围绕材料科学与智能制造领域的最新研究进展与未来发展方向展开交流，吸引了来自全球30多个国家和地区的500余位专家学者参会。大会设置8个线下分会场和2个线上分会场，涵盖先进材料设计与制备、材料性能表征、激光加工技术、智能制造技术以及绿色可持续制造等多个研究主题。通过专题报告、学术研讨与成果展示等形式，充分展现了材料科学与智能制造领域的国际前沿研究成果，为相关领域研究人员搭建了高水平的学术交流与合作平台。
2024级博士郗梦璐的汇报核心围绕无人机图像驱动的风机叶片表面缺陷智能检测技术。研究针对UAV巡检图像中缺陷目标尺寸微小、背景复杂、漏检率高等现实挑战，以YOLOv8-s为基线框架，提出了AFB-YOLO检测模型，融合三项核心技术创新：其一，采用RepVGG风格的可重参数化骨干网络，在训练阶段利用多分支结构增强浅层特征表达，推理阶段将分支合并为单路卷积，在不增加推理开销的前提下有效提升裂纹、腐蚀等细粒度纹理特征的感知能力；其二，设计自适应加权多尺度特征融合模块（AFB），通过可学习权重系数对不同尺度骨干特征进行动态融合，使模型在训练中自动适配缺陷尺度分布，无需人工调节；其三，引入多尺度跨层注意力模块（MS-CLA），依次施加通道注意力与空间注意力，有效抑制天空、塔架等背景区域干扰，突出低对比度、细长型缺陷特征响应。在定位精度方面，采用结合角度惩罚项的SIoU++几何感知回归损失，提升对具有方向性特征的缺陷边框预测稳定性。
郗梦璐，机械工程2024级博士研究生，主要研究方向为先进制造技术，导师为石永军教授。
