SFD-YOLO para la detección de impactos de fragmentos de pequeños objetos en ensayos de placas objetivo de ojivas

Detectando las señales de impacto más pequeñas

Cuando una ojiva detona en un ensayo controlado, los ingenieros aprenden cuánto peligro representa realmente estudiando las minúsculas marcas que sus fragmentos dejan en grandes placas metálicas. Hoy en día, esa inspección sigue realizándose con frecuencia a mano, lo que es lento, fatigoso y propenso a errores—especialmente cuando la mayoría de las marcas de impacto son apenas motas visibles. Este artículo presenta un enfoque de inteligencia artificial llamado SFD-YOLO que puede localizar automáticamente esas cicatrices minúsculas en tiempo real, incluso bajo polvo, niebla, desenfoque y cambios de iluminación, prometiendo evaluaciones de seguridad y rendimiento más rápidas y fiables.

Por qué importan los agujeros diminutos

En las pruebas de ojivas, las placas metálicas objetivo se disponen en un anillo alrededor de una carga explosiva. Cuando el dispositivo detona, fragmentos a alta velocidad impactan las placas, dejando bien agujeros limpios donde las atraviesan, bien abolladuras superficiales donde sólo golpean la superficie. Contando dónde y cuántos de cada tipo aparecen, los ingenieros pueden deducir cómo se dispersan los fragmentos en el espacio y cuán letales serían para equipos reales. Pero las marcas son muy pequeñas y están densamente agrupadas, y los campos de ensayo al aire libre están llenos de polvo, deslumbramiento y mal tiempo. Los inspectores humanos y las herramientas tradicionales de procesamiento de imágenes tienen dificultades para mantener el ritmo, lo que complica obtener mediciones precisas y oportunas.

Enseñar a una red a mirar una vez, pero con cuidado

Los sistemas modernos de detección de objetos basados en aprendizaje profundo pueden recorrer imágenes y dibujar cuadros alrededor de los elementos de interés en una fracción de segundo. Entre ellos, la familia de algoritmos YOLO es conocida por lograr un buen equilibrio entre velocidad y precisión. Sin embargo, las versiones estándar tienden a pasar por alto objetos muy pequeños que ocupan sólo unas pocas píxeles—exactamente la situación en imágenes de impactos de fragmentos. Para abordar esto, los autores se basan en el último modelo YOLOv11 y lo adaptan específicamente para marcas minúsculas en metal brillante, rediseñando varios componentes clave para que la red preste más atención a los detalles tenues sin volverse demasiado grande o lenta.

Afinar el enfoque en motas y puntos

La primera mejora reside en cómo la red procesa las imágenes en crudo. Los autores introducen un bloque de procesamiento de características que limpia lo que la red ve a lo largo de dos dimensiones a la vez: dónde aparecen las características en la imagen y qué canales contienen la información más útil. Este bloque suprime patrones repetidos o poco útiles y realza bordes y texturas sutiles que apuntan a un impacto real. También añaden un módulo ligero de extracción que mantiene el modelo compacto mediante operaciones más eficientes, de modo que pueda ejecutarse rápidamente en hardware estándar preservando al mismo tiempo las señales delicadas de las pequeñas cicatrices de fragmentos.

Ver a múltiples escalas al mismo tiempo

Dado que los impactos diminutos pueden borrarse fácilmente cuando las imágenes se reducen repetidamente dentro de una red neuronal, los autores rediseñan también la parte de toma de decisiones del sistema. En lugar de mirar tres niveles de detalle, SFD-YOLO añade una cuarta capa de mayor resolución dedicada a las marcas más pequeñas. Una estructura especial de pirámide de características mezcla gradualmente el detalle fino de las capas superficiales con el contexto más amplio de las capas profundas, ayudando a la red a seguir tanto dónde está una marca como cómo se distingue del fondo. El resultado es un sistema capaz de distinguir entre agujeros que atraviesan la placa y abolladuras superficiales, incluso cuando están muy juntos en una placa reflectante.

Poner el sistema a prueba

Para entrenar y evaluar su método, los investigadores reunieron una colección de imágenes dedicada a partir de experimentos reales de explosiones estáticas, capturando miles de fotos de alta resolución de placas objetivo y etiquetando manualmente más de veinte mil impactos. Casi nueve de cada diez marcas en esta colección califican como “pequeñas” según estándares comunes de visión por computador, lo que la convierte en un banco de pruebas desafiante. SFD-YOLO no sólo supera a una serie de modelos de detección populares, incluidas varias otras variantes de YOLO y sistemas basados en transformadores, sino que lo hace con poco más de dos millones de parámetros ajustables mientras procesa más de cien imágenes por segundo. El modelo también se mantiene mejor que su línea base más cercana cuando las imágenes están desenfocadas, oscurecidas, aclaradas o sobrepuestas con niebla y polvo sintéticos, que imitan condiciones adversas de campo.

Del campo de pruebas al taller

En términos sencillos, el estudio demuestra que una red neuronal cuidadosamente ajustada puede detectar y clasificar marcas de daño del tamaño de una piqueta en grandes placas metálicas con muy alta fiabilidad, y hacerlo lo suficientemente rápido para su uso en tiempo real durante ensayos explosivos. SFD-YOLO convierte lo que antes era una tarea laboriosa de conteo manual en una herramienta de medición automatizada y robusta. Más allá de la evaluación de ojivas, las mismas ideas podrían aplicarse a otras situaciones en las que importan los defectos minúsculos en superficies metálicas, como la inspección de acero laminado, equipos de la red eléctrica u otros componentes industriales para detectar defectos que resultan fáciles de pasar por alto para los humanos y para los algoritmos estándar.

Cita: 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

Palabras clave: detección de objetos pequeños, ensayos de impacto de fragmentos, inspección de superficies metálicas, redes neuronales YOLO, detección de defectos industriales