Entwurf einer leichten Detektionstechnologie für Metalloberflächenfehler mit YOLOv7-tiny mittels Anchor-Free-Algorithmus

Warum winzige Fehler in Metall wichtig sind

Vom Karosseriekörper eines Autos bis zu den Trägern eines Wolkenkratzers sind Stahlbleche allgegenwärtig. Doch Haarrisse, feine Kratzer oder kleine Vertiefungen auf diesen Metalloberflächen können Bauteile stillschweigend schwächen, ihre Lebensdauer verkürzen und Herstellern Kosten verursachen. Jede Quadratzentimeter von Hand zu prüfen ist langsam und fehleranfällig, daher setzen Fabriken auf künstliche Intelligenz, um Mängel automatisch zu erkennen, während Stahl über Produktionsbänder läuft. Diese Arbeit stellt ein schnelleres, leichteres Computer-Vision-System vor, das darauf ausgelegt ist, selbst sehr kleine, schwer sichtbare Defekte auf Metalloberflächen in Echtzeit zu erfassen.

Wie Kameras und intelligente Software Stahl beobachten

Moderne Fehlerprüfung basiert auf Digitalkameras und Deep Learning: Software, die Muster direkt aus Bildern lernt. Eine populäre Familie solcher Systeme ist unter dem Namen YOLO bekannt („You Only Look Once“), die ein Bild in einem Durchgang scannt und Rahmen um interessante Objekte zieht. Die Autoren bauen auf einer kompakten Version namens YOLOv7-tiny auf und passen sie speziell für die industrielle Stahlprüfung an. Ihr Ziel ist es, das Modell klein und schnell genug zu halten, um auf begrenzter Hardware zu laufen, und gleichzeitig ein breites Spektrum von Fehlern — von dünnen Schweißnähten und Falten bis zu runden Grübchen und Flecken — auf sich bewegenden Stahlbändern und -platten zu erkennen.

Erkennung von Defekten ohne vorgegebene Boxen

Frühere YOLO-Versionen verlassen sich auf „Anchor-Boxen“, eine Menge vordefinierter Formen, die das Modell als Startschätzungen dafür verwendet, wo sich Objekte befinden könnten. Diese voreingestellten Formen tun sich jedoch bei Extremfällen schwer, etwa sehr lange, dünne Risse oder winzige Partikel, und können solche Defekte einfach übersehen. Das neue System wechselt zu einem „anchor-free“-Ansatz: Statt von festen Boxen auszugehen, lernt es, sich auf das Zentrum eines Defekts zu konzentrieren und dann vorherzusagen, wie weit seine Kanten in vier Richtungen reichen. Diese Änderung macht den Detektor flexibler und besser geeignet für die ungewöhnlichen Formen und Größen, die echte Defekte, besonders in der Schwerindustrie, aufweisen.

Schwach sichtbare Fehler hervorheben

Auf vielen Stahloberflächen sind Defekte kaum heller oder dunkler als ihre Umgebung; sie können sich wie ein Schmierfleck im Nebel in die metallische Struktur einfügen. Um der Maschine zu helfen, das zu sehen, was Menschen übersehen könnten, wenden die Autoren einen zweistufigen Kontrastverstärkungsprozess vor der Detektion an. Zuerst verwenden sie eine logarithmische Transformation, die Unterschiede in den hellen Bereichen eines Graustufenbildes — wo sowohl Stahl als auch Defekte oft konzentriert sind — erweitert und gleichzeitig dunklere Bereiche komprimiert. Danach strecken sie die resultierende Helligkeitsspanne wieder über die volle Skala. Zusammen schärfen diese Schritte subtile Texturen, die mit Fehlern verknüpft sind, während Hintergrundmuster unterdrückt bleiben, sodass der Detektor klarere visuelle Hinweise erhält.

Kleineres Gehirn, schärferer Fokus

Um das System leichtgewichtig zu halten, ersetzen die Forschenden den ursprünglichen Kern von YOLOv7-tiny durch ein kompakteres Netz namens MobileNetV3-large, das ursprünglich für Smartphones und eingebettete Geräte entwickelt wurde. Dieses „Gehirn“ nutzt spezialisierte Bausteine, um die Anzahl der Berechnungen zu reduzieren, ohne viel Genauigkeit zu verlieren. Darüber hinaus fügen sie ein Aufmerksamkeitsmodul hinzu, das lernt, wichtige Regionen — etwa winzige Defekte — zu betonen und irrelevanten Hintergrund zu ignorieren. Eine spezielle Feature-Pyramid-Struktur verbindet dann Informationen aus verschiedenen Bildskalen, sodass das System sowohl kleine als auch große Fehler im selben Bild erkennen kann. Das Team hat außerdem zwei öffentliche Defekt-Bilddatensätze sorgfältig neu beschriftet, um fehlende oder ungenaue Markierungen zu korrigieren und sicherzustellen, dass das System von saubereren Beispielen lernt.

Wie gut das neue System abschneidet

Der verbesserte Detektor wurde an drei weit verbreiteten Metallfehler-Datensätzen getestet, die von einfachen, synthetischen Mustern bis zu komplexen realen Stahlbahnen reichen. Über diese Benchmarks hinweg erhöhte das neue Design eine wichtige Genauigkeitsmetrik im Durchschnitt um etwa sechs Prozentpunkte im Vergleich zum Standardmodell YOLOv7-tiny, während es weiterhin mehr als 90 Bilder pro Sekunde verarbeitete — schnell genug für die Echtzeitprüfung in vielen Fabriken. Es schnitt auch im Vergleich mit einer Reihe moderner Spitzenmodelle günstig ab und erzielte höhere Genauigkeit als mehrere schwerere und neuere Modelle, wenn alle auf denselben verfeinerten Stahlfehlerdaten trainiert wurden.

Was das für Alltagsprodukte bedeutet

Kurz gesagt zeigt die Studie, dass es möglich ist, ein kompaktes, effizientes Vision-System zu bauen, das sehr kleine, ungewöhnlich geformte Fehler auf schnell bewegten Metalloberflächen zuverlässig erkennt. Durch die Kombination von intelligenterer Hervorhebung von Defekten, flexiblerer Vorhersage von Begrenzungen, besserer Fokussierung auf winzige Details und sorgfältiger Datenbereinigung liefern die Autoren ein Werkzeug, das Stahlherstellern hilft, mehr Probleme zu erkennen, bevor Produkte auf die Straße, in die Fabrikhalle oder auf die Baustelle gelangen. Das Ergebnis ist ein praktischer Schritt hin zu sichereren, zuverlässigereren Metallteilen — und zu Fabriken, in denen intelligente Kameras im Hintergrund leise die Qualität bewachen.

Zitation: Huang, YC., Lin, JC. & Wu, YZ. Design of lightweight metal surface defect detection technology for YOLOv7-tiny using Anchor-Free algorithm. Sci Rep 16, 8601 (2026). https://doi.org/10.1038/s41598-026-39233-9

Schlüsselwörter: Metalloberflächenfehler, automatische Sichtprüfung, Echtzeit-Objekterkennung, leichte Deep-Learning-Modelle, industrielle Qualitätskontrolle