Diamond-DETR: leichter Echtzeit-Algorithmus zur Qualitätsbewertung synthetischer Diamanten

Warum winzige Fehler in künstlichen Diamanten wichtig sind

Synthetische Diamanten sind die stillen Arbeitspferde der modernen Industrie: Sie schneiden, schleifen und polieren alles von Metallteilen bis zu Elektronik. Ihre Leistung und ihr Preis hängen jedoch von winzigen Oberflächenunregelmäßigkeiten ab – Abplatzungen, Risse und unregelmäßige Formen –, die unter dem Mikroskop für Menschen schwer schnell zu erkennen sind. Dieses Papier stellt Diamond-DETR vor, ein kompaktes KI-System zur automatischen Inspektion synthetischer Diamanten in Echtzeit, das Qualitätskontrollen schneller, zuverlässiger und auf normaler Fabrikhardware leichter einsetzbar machen soll.

Vom menschlichen Blick zum automatisierten Auge

Jahrzehntelang verließen sich Fabriken auf mechanische Sortierverfahren und Experten, die durch Mikroskope die Diamantqualität beurteilen. Mechanische Methoden wie Vibrationssiebe oder dichtebasierte Trennung stoßen an ihre Grenzen, wenn Teilchen sehr klein oder sehr rein sind, und sie können einen makellosen Kristall nicht von einem mit abgebrochener Kante unterscheiden. Menschliche Inspektion ist zwar flexibel, aber langsam, ermüdend und subjektiv. Mit wachsendem Bedarf an präziser, massenhafter Sortierung synthetischer Diamantpartikel benötigen Hersteller automatisierte visuelle Systeme, die winzige Defekte schnell und konsistent erkennen, auch wenn Partikel dicht gepackt sind oder in Größe und Form variieren.

Lokale Details mit dem großen Bild verbinden

Moderne Computer-Vision-Werkzeuge lassen sich grob in zwei Lager einordnen. Leichte Faltungsnetzwerke (CNNs) zeichnen sich darin aus, lokale Details – etwa die Schärfe einer Ecke – zu erfassen, haben aber Probleme, den größeren Kontext eines Bildes zu erfassen. Transformer-basierte Modelle hingegen sehen die ganze Szene und handhaben Fernbeziehungen gut, sind jedoch meist schwerer und langsamer, insbesondere für Echtzeit-Inspektion. Diamond-DETR baut auf einem aktuellen Transformer-Detektor namens RT-DETR auf und formt ihn für die industrielle Diamantinspektion um. Ziel ist, die starke globale Argumentation von Transformern zu erhalten, während der Rechenaufwand reduziert und das Netz für feine, kleinskalige geometrische Fehler an Diamantoberflächen geschärft wird.

Ein schlankerer Inspektionskern unter der Haube

Die Autoren überarbeiten drei Hauptteile der Erkennungs-Pipeline. Zuerst ersetzen sie das Standard-Backbone durch einen angepassten „RepFasterNet“-Block, der nur einen Bruchteil der Bildkanäle mit teureren räumlichen Operationen verarbeitet und diese dann effizient zusammenführt. Dieser Schritt reduziert den Rechenaufwand, bewahrt aber wichtige Kanten- und Eckdetails, an denen Defekte häufig auftreten. Zweitens führen sie eine hochstufige Screening-Feature-Fusionspyramide ein, die einen Aufmerksamkeitsmechanismus nutzt, damit starke, hochstufige Signale steuern, welche niederstufigen Details bei verschiedenen Vergrößerungen betont oder unterdrückt werden sollen. Drittens werten sie ein Cross-Stage-Fusionsmodul mit dilatierten Faltungen auf, wodurch der Bereich, den jede Neuronenseinheit „sieht“, effektiv erweitert wird, ohne das Netz tiefer zu machen. Zusammen helfen diese Änderungen dem Modell, Diamanten und deren Defekte über eine Bandbreite von Größen und in komplexen Hintergründen zu erkennen, während es auf Mittelklasse-Hardware weiterhin schnell läuft.

Das System auf die Probe gestellt

Zur Bewertung von Diamond-DETR baute das Team einen eigenen Mikroskopbild-Datensatz synthetischer Diamantpartikel auf und kennzeichnete jede Instanz als hochwertig oder defekt anhand sichtbarer Oberflächenmerkmale. Sie verglichen das neue Modell mit dem ursprünglichen RT-DETR und mehreren bekannten Detektoren, darunter verbreitete YOLO-Varianten und klassische Zwei-Stufen-Systeme wie Faster R-CNN. Auf diesem internen Diamantdatensatz verbesserte Diamond-DETR Präzision, Gesamterkennungswert und Verarbeitungsgeschwindigkeit bei gleichzeitig geringerem Parameteraufwand im Vergleich zu RT-DETR. Visuelle Erklärungen mittels Heatmaps zeigten, dass das neue Modell enger auf bedeutungsvolle geometrische Regionen – insbesondere Kanten und Ecken – fokussierte als die Basislinie. In zusätzlichen Tests an einem anderen industriellen Datensatz von Metallmuttern hielt Diamond-DETR seine starke Leistung, was darauf hindeutet, dass das Design auf andere gefertigte Teile mit komplexen Formen übertragbar ist.

Was das für Fabriken und darüber hinaus bedeutet

Praktisch bietet Diamond-DETR einen kompakteren, genaueren und schnelleren "automatischen Prüfer" für mikroskopische Diamantsortierlinien. Mit einer Modellgröße von nur einigen Dutzend Megabyte und Echtzeit-Verarbeitungsgeschwindigkeiten eignet es sich gut für ressourcenbegrenzte Setups, die sehr große KI-Systeme nicht hosten können. Die Methode ist keine vollständige Qualitätslösung – sie kann innere Risse nicht sehen oder chemische Zusammensetzung analysieren – liefert aber ein leistungsfähiges visuelles Frontend, das mit anderen Sensorik-Tools kombiniert werden könnte. Indem gezeigt wird, dass transformerbasierte Detektoren sorgfältig verschlankt und für feine geometrische Diskriminierung abgestimmt werden können, weist diese Arbeit auf eine breitere Nutzung ähnlicher Modelle in der automatisierten Inspektion kleiner Industrieteile hin, von Schleifmitteln bis zu Befestigungselementen, wo winzige Oberflächenfehler großen wirtschaftlichen Einfluss haben.

Zitation: Yan, X., Yang, S., Zhang, S. et al. Diamond-DETR: lightweight real-time quality evaluation algorithm for synthetic diamonds. Sci Rep 16, 10711 (2026). https://doi.org/10.1038/s41598-026-44951-1

Schlüsselwörter: synthetische Diamanten, automatisierte Inspektion, Objekterkennung, industrielle Bildverarbeitung, Transformator-Modelle