Ein leichtgewichtiges Rahmenwerk zur Erkennung metallografischer Präparationsfehler mittels strukturierter Priori und energieeffizienter Aufmerksamkeit bei starker Korngrenzenstörung

Warum winzige Fehler im Stahl wichtig sind

Von Autogetrieben bis zu Hochdruckleitungen verlassen sich viele Alltagsmaschinen auf ein verbreitetes Arbeitsmaterial: einen niedrigkohlenstoffhaltigen Stahl, oft als AISI 1020 bezeichnet. Bevor Ingenieure diesem Stahl vertrauen, untersuchen sie polierte, geätzte Querschnitte unter dem Mikroskop, um die innere Struktur des Metalls zu beurteilen. Sind die Präparationsflächen jedoch verschmutzt, zerkratzt oder uneben, können gerade diese Vorbereitungsfehler wie echte Materialfehler wirken. Die Arbeit stellt ein neues, leichtgewichtiges KI‑Werkzeug vor, das solche subtilen Präparationsfehler schnell und zuverlässig erkennt — selbst wenn sie in einem dicht strukturierten Hintergrund aus mikroskopischen Korngrenzen fast untergehen.

Die Herausforderung, schwache Fehler zu sehen

Bei hoher Vergrößerung ähnelt Stahl einem Mosaik aus kleinen Bereichen, den Körnern, getrennt durch ein komplexes Netzwerk von Korngrenzen. Diese Grenzen bilden eine dichte, kontrastreiche Textur, die die schwachen Signale von Präparationsfehlern wie Wasserflecken, Restätzen oder leicht unebenen Flächen leicht überdeckt. Standard‑Computervisionsmodelle, einschließlich populärer YOLO‑Detektoren, setzen voraus, dass Objekte deutlich vom Hintergrund abheben. In der Metallographie ist oft das Gegenteil der Fall: Der Hintergrund ist stark und strukturiert, die Fehler sind schwach und unregelmäßig in Form und Größe. Wenn Bilder mehrfach durch ein tiefes Netzwerk komprimiert werden, gehen diese schwachen Signale leicht verloren, was zu übersehenen Detektionen oder Verwechslungen zwischen harmloser Textur und echten Fehlern führt.

Ein maßgeschneidertes Erkennungsrahmenwerk für die Metallographie

Um dem zu begegnen, entwickeln die Autoren RSS‑YOLOv10, eine angepasste Variante des aktuellen Echtzeitdetektors YOLOv10, speziell abgestimmt auf mikroskopische Stahlbilder. Sie beginnen mit der kleinsten „nano“ Version von YOLOv10, um das Modell kompakt zu halten und ein Überanpassen an die komplexen Korngranen zu vermeiden. Darauf aufbauend überarbeiten sie zentrale Bausteine im Feature‑Extraktor und in den Feature‑Fusionsstufen des Netzwerks, sodass das System extreme Schwankungen in der Fehlergröße — von winzigen Vertiefungen bis zu großflächigen Flecken — verarbeiten kann, ohne rechenintensiv zu werden. Zudem behalten sie die End‑to‑End‑Trainingsstrategie von YOLOv10 bei, die einen zeitaufwendigen Nachverarbeitungsschritt vermeidet und sich gut für schnelle industrielle Prüfungen eignet.

Wie die neuen Komponenten zusammenwirken

Im Kern von RSS‑YOLOv10 steht ein neues Modul namens RepHMA, das die üblichen Bausteine im Backbone ersetzt. RepHMA verarbeitet jeden Bildausschnitt über mehrere parallele Pfade, die auf unterschiedliche Nachbarschaftsgrößen „blicken“, und verschmilzt sie anschließend zu einem einzigen, effizienten Block für den Einsatz bei der Erkennung. Diese Multi‑Skalen‑Perspektive hilft dem Modell, sowohl winzige Punkte als auch größere, verschwommene Regionen zu erfassen. Ein zweiter Bestandteil, der SimAM‑Aufmerksamkeitsmechanismus, wirkt wie ein Filter, der jedes kleine Gebiet mit seiner Umgebung vergleicht und diejenigen hervorhebt, die sich deutlich vom repetitiven Korngrenzenhintergrund unterscheiden. Wichtig ist, dass SimAM dies tut, ohne zusätzliche trainierbare Parameter hinzuzufügen, wodurch die Leichtgewichtigkeit des Modells erhalten bleibt. Schließlich fusioniert ein neugestalteter „SlimNeck“ Bereich Informationen aus verschiedenen Auflösungsstufen mithilfe speziell ausgewählter Faltungsoperationen, die nützliche Details bewahren und gleichzeitig überflüssige Rechenarbeit reduzieren.

Aufbau und Tests an realen Stahldaten

Da vorhandene metallografische Bildsammlungen meist idealisierte, fehlerfreie Proben fokussieren, erstellte das Team ein eigenes Benchmark‑Set namens 20 S‑PDD. Es enthält über 1.200 Mikroskopaufnahmen von 20 im Labor präparierten Stahlproben, wobei drei Arten von Präparationsfehlern von Experten sorgfältig annotiert wurden: Wasserflecken, korrosive Flüssigkeitsrückstände und unebene Oberflächenbereiche. Die Autoren trainierten und evaluierten RSS‑YOLOv10 an diesem Datensatz und verglichen es mit der Baseline YOLOv10n sowie mehreren bekannten Detektoren, darunter Faster R‑CNN, SSD, YOLOv5, YOLOv8 und ein echtzeitfähiges, transformerbasiertes Modell. Zusätzlich testeten sie die Methode an einem separaten öffentlichen Datensatz mit großflächigen Stahloberflächenfehlern, um zu prüfen, wie gut die Lösung über mikroskopische Bilder hinaus generalisiert.

Was die Ergebnisse zeigen

Auf dem metallografischen 20 S‑PDD Datensatz erzielte RSS‑YOLOv10 höhere Präzision, Recall und eine bessere Gesamterkennungsgenauigkeit als alle Vergleichsmodelle und steigerte die mittlere durchschnittliche Präzision um nahezu vier Prozentpunkte gegenüber der YOLOv10n‑Baseline, während es gleichzeitig noch weniger Gleitkommaoperationen benötigte. Besonders effektiv war es darin, Flecken und korrosive Rückstände von der umgebenden Korngrenzentextur zu unterscheiden, wodurch sowohl übersehene Fehler als auch Fehlalarme reduziert wurden. Auch auf dem separaten NEU‑DET Datensatz für Stahloberflächen übertraf das Modell die Baseline, was zeigt, dass die grundlegenden Designentscheidungen robust gegenüber verschiedenen Arten texturierter Metallbilder sind. Visualisierungen der internen „Heatmaps“ des Modells bestätigen, dass es sich stark auf tatsächliche Fehler konzentriert und Korngrenzen größtenteils ignoriert.

Warum das für die Praxis wichtig ist

Für metallografische Labore und Qualitätskontrollexperten bietet das vorgeschlagene Rahmenwerk eine Möglichkeit, präparierte Proben automatisch auf Präparationsfehler zu untersuchen, bevor eine tiefere Analyse der tatsächlichen Mikrostruktur des Stahls erfolgt. Da RSS‑YOLOv10 kompakt und effizient ist, kann es in Echtzeit auf Standard‑Desktop‑Hardware oder eingebetteten Geräten laufen und ist damit für den routinemäßigen Einsatz neben vorhandenen Mikroskopen praktikabel. Obwohl die aktuelle Arbeit sich auf eine Stahlgüte und eine begrenzte Probenmenge konzentriert, eröffnet der Ansatz einen Weg zu breiteren automatisierten Qualitätsprüfungen in der Metallographie, vermindert menschliche Ermüdung und Inkonsistenzen und schützt nachgelagerte Messungen, die sicherheitsrelevante ingenieurtechnische Entscheidungen stützen.

Zitation: Shen, Z., Deng, Q., Wu, Z. et al. A lightweight metallographic defect detection framework via structured priors and energy-aware attention under strong grain boundary interference. Sci Rep 16, 10969 (2026). https://doi.org/10.1038/s41598-026-45556-4

Schlüsselwörter: Erkennung metallografischer Fehler, Stahlmikrostruktur, Tiefenlern‑Inspektion, automatisierte Mikroskopie, YOLO Objekterkennung