SFD-YOLO zur Erkennung von Einschlägen kleiner Objekte bei Tests von Gefechtskopf-Zielplatten

Die kleinsten Einschlagspuren erkennen

Wenn ein Gefechtskopf in einem kontrollierten Test explodiert, gewinnen Ingenieure Erkenntnisse über seine Gefährlichkeit, indem sie die winzigen Spuren untersuchen, die seine Fragmente auf großen Metallplatten hinterlassen. Bis heute erfolgt diese Inspektion oft noch manuell — langsam, ermüdend und fehleranfällig, besonders da die meisten Einschlagspuren kaum sichtbare Punkte sind. Diese Arbeit stellt einen KI-Ansatz namens SFD-YOLO vor, der diese winzigen Narben in Echtzeit automatisch erkennen kann, selbst bei Staub, Nebel, Unschärfe und wechselnden Lichtverhältnissen, und so schnellere und verlässlichere Sicherheits- und Leistungsbewertungen verspricht.

Warum winzige Löcher wichtig sind

Bei Gefechtskopfprüfungen werden Metallzielplatten ringförmig um eine Sprengladung angeordnet. Bei der Detonation schlagen Hochgeschwindigkeitsfragmente in die Platten ein und hinterlassen entweder durchgehende Löcher, wenn sie hindurchgehen, oder flache Dellen, wenn sie nur die Oberfläche treffen. Durch das Zählen von Ort und Anzahl der einzelnen Typen können Ingenieure Rückschlüsse auf die Fragmentverteilung im Raum und ihre Tödlichkeit für echte Ausrüstung ziehen. Die Markierungen sind jedoch sehr klein und dicht beieinander, und Außenversuchsanlagen sind oft mit Staub, Blendlicht und schlechtem Wetter belastet. Menschliche Prüfer und herkömmliche Bildverarbeitungswerkzeuge haben Schwierigkeiten, mitzuhalten, sodass genaue und zeitnahe Messungen schwer zu erzielen sind.

Ein Netzwerk einmal, aber sorgfältig sehen lehren

Moderne Objekterkennungssysteme auf Basis von Deep Learning können Bilder in Bruchteilen einer Sekunde scannen und Boxen um interessante Objekte ziehen. Unter ihnen ist die YOLO-Familie für ihren guten Kompromiss zwischen Geschwindigkeit und Genauigkeit bekannt. Standardversionen übersehen jedoch tendenziell sehr kleine Objekte, die nur wenige Pixel einnehmen — genau die Situation bei Fragment-Einschlagsbildern. Um dem zu begegnen, bauen die Autorinnen und Autoren auf dem aktuellen YOLOv11-Modell auf und passen es speziell für winzige Markierungen auf glänzendem Metall an, indem sie mehrere Schlüsskomponenten neu gestalten, sodass das Netzwerk feinen Details mehr Aufmerksamkeit schenkt, ohne zu groß oder zu langsam zu werden.

Den Fokus auf Flecken und Sprenkel schärfen

Die erste Verbesserung betrifft die Art, wie das Netzwerk Rohbilder verarbeitet. Die Forscher führen einen Feature-Verarbeitungsblock ein, der das Gesehene entlang zweier Dimensionen zugleich säubert: wo Merkmale im Bild erscheinen und welche Kanäle die nützlichsten Informationen tragen. Dieser Block unterdrückt wiederholte oder wenig hilfreiche Muster und hebt subtile Kanten und Texturen hervor, die auf einen echten Einschlag hindeuten. Zusätzlich fügen sie ein leichtgewichtiges Extraktionsmodul hinzu, das das Modell kompakt hält, indem es effizientere Operationen nutzt, sodass es auf Standardhardware schnell laufen kann und gleichzeitig die feinen Signale winziger Fragmentnarben bewahrt.

Gleichzeitig auf mehreren Skalen sehen

Weil winzige Einschläge leicht verloren gehen können, wenn Bilder innerhalb eines neuronalen Netzwerks wiederholt verkleinert werden, gestalten die Autorinnen und Autoren auch den Entscheidungsbereich des Systems neu. Anstatt drei Detailebenen zu betrachten, fügt SFD-YOLO eine vierte, höher aufgelöste Schicht hinzu, die den kleinsten Markierungen gewidmet ist. Eine spezielle Feature-Pyramiden-Struktur mischt nach und nach feine Details aus flacheren Schichten mit weiterem Kontext aus tieferen Schichten, wodurch das Netzwerk sowohl die Lage einer Markierung als auch ihre Hervorhebung gegenüber dem Hintergrund verfolgen kann. Das Ergebnis ist ein System, das zwischen Durchschusslöchern und Oberflächendellen unterscheiden kann, selbst wenn diese dicht beieinander auf einer reflektierenden Platte liegen.

Das System auf die Probe stellen

Um ihre Methode zu trainieren und zu bewerten, stellten die Forschenden eine spezielle Bildsammlung aus realen statischen Sprengversuchen zusammen, die Tausende hochauflösender Fotos von Zielplatten enthält und mehr als zwanzigtausend Einschläge manuell annotiert. Fast neun von zehn Markierungen in dieser Sammlung gelten nach gängigen Computer-Vision-Standards als „klein“, was sie zu einem anspruchsvollen Testfeld macht. SFD-YOLO übertrifft nicht nur eine Reihe populärer Detektionsmodelle, darunter mehrere andere YOLO-Varianten und transformerbasierte Systeme, sondern erreicht dies mit etwas mehr als zwei Millionen einstellbaren Parametern und bei der Verarbeitung von über hundert Bildern pro Sekunde. Das Modell hält zudem besser durch als sein nächster Vergleichsmaßstab, wenn Bilder verwischt, abgedunkelt, aufgehellt oder mit synthetischem Nebel und Staub überlagert werden, die raue Feldbedingungen nachahmen.

Vom Testgelände auf die Fabrikhalle

Einfach ausgedrückt zeigt die Studie, dass ein sorgfältig abgestimmtes neuronales Netzwerk nadelstichgroße Beschädigungsmarken auf großen Metallplatten sehr zuverlässig erkennen und klassifizieren kann und das schnell genug für den Echtzeiteinsatz während Explosionsprüfungen. SFD-YOLO verwandelt eine einst mühsame manuelle Zählaufgabe in ein automatisiertes, robustes Messwerkzeug. Über die Bewertung von Gefechtsköpfen hinaus könnten dieselben Ideen auf andere Situationen angewendet werden, in denen winzige Fehler auf Metalloberflächen wichtig sind, etwa bei der Inspektion von Bandstahl, Stromnetzkomponenten oder sonstigen industriellen Bauteilen auf Defekte, die für Menschen — und Standardalgorithmen — leicht zu übersehen sind.

Zitation: Liu, H., Ding, Y., You, W. et al. SFD-YOLO for small-object fragment impact detection in warhead target-plate testing. Sci Rep 16, 9291 (2026). https://doi.org/10.1038/s41598-026-40457-y

Schlüsselwörter: Erkennung kleiner Objekte, Fragment-Einschlagprüfung, Inspektion von Metalloberflächen, YOLO-Neuronale-Netze, industrielle Fehlererkennung