Ein verbessertes, leichtgewichtiges YOLOv11-Algorithmus für die Erkennung von Schweißoberflächenfehlern

Warum winzige Fehler in Schweißnähten wichtig sind

Von Brücken und Schiffen bis zu Wolkenkratzern und Pipelines verlassen sich zahllose Metallkonstruktionen auf geschweißte Verbindungen, um sicher und stabil zu bleiben. Die Oberflächen dieser Schweißnähte können jedoch kleine Mängel verbergen – wie Poren, Risse oder eingeschlossene Schlacke – die, wenn sie unentdeckt bleiben, zu schwerwiegenden Ausfällen heranwachsen können. Jede Schweißnaht von Hand zu prüfen ist langsam, teuer und anfällig für menschliche Fehler, besonders in stark ausgelasteten Fabriken. Dieses Papier stellt ein schnelleres, schlankeres Computer-Vision-System vor, genannt YOLO-Air, das Schweißoberflächenfehler automatisch und in Echtzeit erkennen soll, selbst auf hardwarebeschränkten Industriegeräten.

Grenzen traditioneller Prüfverfahren

Jahrzehntelang stützte sich die Schweißnahtprüfung auf physikalische Prüfmethoden wie Röntgen, Ultraschall, Magnetpulver und Wirbelstromprüfungen. Diese Techniken können innere und oberflächennahe Fehler sichtbar machen, bringen aber Kompromisse mit sich: Strahlenrisiken und Schutzanforderungen bei der Radiographie, Bedienerabhängigkeit beim Ultraschall sowie Materialeinschränkungen bei magnetischen und Wirbelstrom-Verfahren. Sie haben außerdem Probleme mit Objekten komplexer Geometrie und mit Umweltvariationen wie Beleuchtung, Temperatur oder Oberflächenverschmutzung. Mit wachsendem industriellen Bedarf an schneller, kontinuierlicher Qualitätskontrolle reichen diese älteren Werkzeuge allein nicht mehr aus.

Aufstieg schlauer Kameras für Schweißnähte

Jüngste Fortschritte im Deep Learning ermöglichen die Defekterkennung direkt aus Bildern, mithilfe von Algorithmen, die ursprünglich für allgemeine Objekterkennung entwickelt wurden. Besonders attraktiv für Fabriken sind sogenannte Ein-Stufen-Detektoren wie die YOLO-Familie, da sie gute Genauigkeit mit hoher Geschwindigkeit verbinden. Schweißbilder stellen jedoch besondere Herausforderungen: Hintergründe, die mit Rost, Flecken und Beschichtungen überlagert sind; extrem kleine und dicht beieinanderliegende Defekte; sowie mehrere Defektarten, die sich in Form und Textur unterscheiden. Vorgefertigte Modelle übersehen entweder subtile Fehler, verwechseln Rauschen mit echtem Schaden oder sind so schwergewichtig, dass sie sich nur schwer auf bescheidener GPU- oder Embedded-Hardware einsetzen lassen.

Ein schlankeres Gehirn für schärfere Augen

Die Autoren bauen auf dem aktuellen YOLOv11-Modell auf und formen es zu YOLO-Air um, einer Version, die speziell auf die effiziente Erkennung von Schweißoberflächenfehlern zugeschnitten ist. Sie beginnen mit einer Überarbeitung des Backbones, jenem Teil des Netzwerks, der das Bild zuerst verarbeitet. Ein neuer Feature-Extraktionsblock kombiniert zwei Ideen: einen „Ghost“-Mechanismus, der einfache Transformationen wiederverwendet, um zusätzliche Feature-Maps mit geringem Aufwand zu erzeugen, und einen dynamischen Filtermechanismus, der sich an jede Eingabe anpasst und Muster, die mit echten Defekten assoziiert sind, stärker betont, während ablenkende Hintergrunddetails abgeschwächt werden. Das verleiht dem Modell ein tieferes Verständnis von Defekten in unterschiedlichen Größen und Formen, ohne die Rechenlast zu erhöhen.

Beschleunigung des Informationsflusses

Als Nächstes verschlankt das Team die Mitte des Netzwerks, den sogenannten Neck, der dafür verantwortlich ist, grobe globale Informationen mit feinen lokalen Details zu verschmelzen. Sie ersetzen schwerere Operationen durch gruppierte und geschüttelte Faltungen (grouped and shuffled convolutions), die den Austausch von Informationen zwischen Kanälen fördern und gleichzeitig unnötige Berechnungen reduzieren. Ein neu gestalteter Aggregationsblock strafft außerdem, wie Merkmale auf verschiedenen Skalen kombiniert werden. Zusammengenommen vermindern diese Änderungen Redundanzen in dem, was das Modell verarbeiten muss, sodass es kleine, über eine raue Schweißoberfläche verteilte Defekte verfolgen kann und dennoch sehr schnell läuft.

Eine schlanke Ausgabeschicht für Echtzeitanwendungen

Schließlich vereinfachen die Autoren den Detection Head – den Teil des Systems, der interne Merkmale in Begrenzungsrahmen und Fehlerentscheidungen umwandelt. Anstatt vollständige Faltungen auf jeden Kanal anzuwenden, verwenden sie ein partielles Schema, das nur einen Teil der Kanäle verarbeitet und den Rest unverändert durchreicht. Dadurch wird ein großer Anteil der Modellparameter und der Gleitkommaoperationen eingespart, während die wesentlichen Informationen zur Lokalisierung und Klassifikation von Fehlern erhalten bleiben. Das Ergebnis ist ein Detektor, der sowohl kompakt als auch reaktionsschnell ist und sich damit für die Online-Überwachung in Produktionslinien eignet, in denen jede Millisekunde zählt.

Wie gut das neue System abschneidet

Um YOLO-Air zu bewerten, testen die Forschenden es an zwei öffentlichen Datensätzen für Metalloberflächenfehler: einem mit Schwerpunkt auf Schweißnähten und einem weiteren zu allgemeinen Fehlern von Stahlbändern. Im Vergleich zu einer Reihe klassischer und moderner Detektionsmodelle – darunter mehrere YOLO-Versionen und transformerbasierte Entwürfe – liefert YOLO-Air das beste Verhältnis von Genauigkeit, Geschwindigkeit und Modellgröße. Bei Schweißbildern verbessert es die Erkennungsqualität um etwa einen Prozentpunkt gegenüber der YOLOv11-Basisversion, während die Parameteranzahl um mehr als 17 Prozent reduziert und die Rechenlast um nahezu ein Drittel verringert wird. Gleichzeitig hält es mehrere hundert Bilder pro Sekunde Durchsatz aufrecht und erfüllt damit problemlos Echtzeitanforderungen. Statistische Tests bestätigen, dass diese Verbesserungen nicht zufällig sind.

Was das für die Industrie bedeutet

Praktisch zeigt YOLO-Air, dass es möglich ist, ein Schweißprüfsystem zu bauen, das sowohl intelligent als auch sparsam ist und auf alltäglichen Grafikkarten oder Embedded-Prozessoren laufen kann, ohne an Zuverlässigkeit einzubüßen. Indem es echte Defekte besser von harmloser Oberflächenunruhe unterscheidet und sehr kleine Fehler erkennt, könnte es sowohl übersehene Probleme als auch unnötige Reparaturen reduzieren. Obwohl das Modell noch nicht in großem Maßstab in Fabriken eingeführt wurde, weist die Studie einen klaren Weg zu kompakten, kamerabasierten Prüfern, die kontinuierlich die Qualität kritischer geschweißter Strukturen überwachen.

Zitation: Zhang, R., Pan, C., Chen, Z. et al. An improved lightweight YOLOv11 algorithm for weld surface defect detection. Sci Rep 16, 11440 (2026). https://doi.org/10.1038/s41598-026-41568-2

Schlüsselwörter: Erkennung von Schweißfehlern, industrielle Bildverarbeitung, leichtgewichtiges Deep Learning, YOLO Objekterkennung, Automatisierung der Qualitätsprüfung