脱落坑缺陷数量去除离群点

单尺度(SEM/OM/LCM)最终的准确率分别为66.9%、62.5%、61.2%，说明单一图像的局限性，使得模型难以捕捉全面的缺陷信息。本研究提出的MMFCT方法(88.1%)表现最佳，其优势在于CNN与Transformer分别可以处理多尺度特征以及提取全局特征并进行有效的特征融合，多尺度注意力也可以增强融合尺度交互，而其特异性和敏感度最高，表明其在预测稳定性和泛化能力方面具有显著优势。实验结果表明，多尺度信息融合可有效提升涂层服役寿命预测的准确性，更准确地捕捉微观损伤特征，并提供更可靠的寿命预测。

根据前期网络检测模型的训练，得到裂纹数量和面积随服役时间的变化数值，将1~20组图片的脱落坑缺陷数量和脱落坑占总图的平均面积比率去除离群点后进行数据拟合，得到拟合曲线如图17和18所示，拟合曲线表达式见(8)和(9)。