摘要: 目的为解决油气管道在电磁干扰环境下缺陷检测精度低、误报率高的问题，本文提出一种具有更强鲁棒性和适应能力的智能检测方法，旨在提升模型在强干扰背景下对微小缺陷的识别性能，为管道安全运行提供技术保障。方法本文基于YOLO目标检测框架，构建了多维缺陷特征感知增强网络。设计包含三大核心模块：多核卷积交互模块用于提升复杂背景下特征提取的鲁棒性；跨尺度动态融合金字塔通过空间匹配与门控策略增强特征融合质量，实现多尺度信息的精细对齐；高斯分布引导检测头结合缺陷目标的高斯分布特性，增强模型对微小缺陷的解析能力与定位精度。结果在包含840张漏磁伪彩色图像的管道缺陷数据集上进行实验验证，结果表明所提模型在平均精度（mAP）与平均召回率（mAR）等核心指标上较原始YOLO架构均有显著提升，尤其在电磁干扰强烈背景下对微小缺陷目标的识别更为敏感和准确，展现出更优的检测性能与鲁棒性。结论本文方法通过多维特征感知增强机制，有效提升了缺陷特征的空间对齐能力与上下文建模水平，在复杂工况中保持较高检测准确率和稳定性，为油气管道高精度缺陷检测提供了新的解决方案，具有良好的工程推广前景与研究参考价值。