Un algoritmo YOLOv11 ligero mejorado para la detección de defectos en la superficie de soldaduras

Por qué importan las pequeñas imperfecciones en las soldaduras

Desde puentes y barcos hasta rascacielos y oleoductos, innumerables estructuras metálicas dependen de uniones soldadas para mantener su seguridad y resistencia. Sin embargo, las superficies de esas soldaduras pueden ocultar pequeños defectos —como poros, grietas o restos de escoria— que pueden convertirse en fallos graves si pasan desapercibidos. Inspeccionar cada soldadura a mano es lento, costoso y propenso a errores humanos, especialmente en fábricas con alta actividad. Este artículo presenta un sistema de visión por computador más rápido y ligero, denominado YOLO-Air, diseñado para detectar automáticamente defectos en la superficie de soldaduras y en tiempo real, incluso en hardware industrial con recursos limitados.

Límites de las herramientas de inspección tradicionales

Durante décadas, la inspección de soldaduras se ha basado en métodos de ensayo físico como radiografías, ultrasonidos, partículas magnéticas y corrientes de Foucault. Estas técnicas pueden revelar defectos internos y superficiales, pero implican compensaciones: riesgos de radiación y requisitos de protección en radiografía, dependencia del operador en ultrasonidos y restricciones de material en ensayos magnéticos y por corrientes inducidas. Además, se enfrentan a dificultades con objetos de geometrías complejas y a variaciones ambientales como iluminación, temperatura o contaminación de la superficie. A medida que la industria demanda un control de calidad rápido y continuo, estas herramientas clásicas ya no bastan por sí solas.

El auge de las cámaras inteligentes para soldaduras

El progreso reciente en aprendizaje profundo ha hecho posible detectar defectos directamente a partir de imágenes, usando algoritmos desarrollados originalmente para el reconocimiento de objetos cotidianos. Entre ellos, los detectores de una sola etapa, como la familia YOLO, resultan especialmente atractivos para entornos industriales porque combinan buena precisión con alta velocidad. No obstante, las imágenes de soldaduras presentan retos inusuales: fondos abarrotados con óxido, manchas y recubrimientos; defectos extremadamente pequeños y densamente empaquetados; y múltiples tipos de defecto que varían en forma y textura. Los modelos estándar o bien pasan por alto fallas sutiles, confunden el ruido con daños reales o son tan pesados que resulta difícil desplegarlos en GPUs modestas o dispositivos embebidos.

Un cerebro más delgado para ojos más agudos

Los autores parten del último modelo YOLOv11 y lo reconfiguran en YOLO-Air, una versión adaptada para detectar eficientemente defectos en la superficie de soldaduras. Comienzan por rehacer el backbone, la parte de la red que primero procesa la imagen. Un nuevo bloque de extracción de características combina dos ideas: un mecanismo "ghost" que reutiliza transformaciones sencillas para generar mapas de características adicionales con bajo coste, y un mecanismo de filtros dinámicos que se adapta a cada entrada, enfatizando patrones asociados con defectos reales y atenuando detalles distractores del fondo. Esto proporciona al modelo una comprensión más rica de defectos de distintos tamaños y formas sin aumentar la carga computacional.

Acelerando el flujo de información

A continuación, el equipo aligera la parte media de la red, conocida como neck, responsable de mezclar información global y de bajo detalle con detalles locales finos. Sustituyen operaciones pesadas por convoluciones agrupadas y mezcladas (shuffled) que fomentan que los canales compartan información mientras reducen cálculos innecesarios. Un bloque de agregación rediseñado optimiza además cómo se combinan las características a diferentes escalas. En conjunto, estos cambios reducen la redundancia en lo que el modelo debe procesar, permitiéndole seguir defectos diminutos distribuidos por una superficie de soldadura ruidosa sin sacrificar la velocidad de ejecución.

Una capa de salida ligera para uso en tiempo real

Finalmente, los autores simplifican la cabeza de detección —la parte del sistema que convierte las características internas en cajas delimitadoras y decisiones de defecto—. En lugar de aplicar convoluciones completas a todos los canales, usan un esquema parcial que procesa solo un subconjunto de canales y deja pasar el resto sin cambios. Esto recorta una porción importante de los parámetros del modelo y de las operaciones en coma flotante, preservando al mismo tiempo la información esencial para localizar y clasificar defectos. El resultado es un detector compacto y ágil, adecuado para monitorización en línea en líneas de producción donde cada milisegundo cuenta.

Qué tan bien funciona el nuevo sistema

Para evaluar YOLO-Air, los investigadores lo prueban en dos conjuntos de datos públicos de defectos en superficies metálicas: uno centrado en soldaduras y otro en defectos generales de bandas de acero. Frente a una selección de modelos clásicos y modernos de detección —incluidas varias versiones de YOLO y diseños basados en transformadores—, YOLO-Air ofrece el mejor equilibrio entre precisión, velocidad y tamaño del modelo. En imágenes de soldaduras, mejora la calidad de detección en aproximadamente un punto porcentual sobre la referencia YOLOv11, a la vez que reduce el número de parámetros en más del 17% y la carga computacional en casi un tercio. También mantiene varios cientos de fotogramas por segundo de rendimiento, cumpliendo con las necesidades de tiempo real. Pruebas estadísticas confirman que estas mejoras no se deben al azar.

Qué implica esto para la industria

En términos prácticos, YOLO-Air demuestra que es posible construir un sistema de inspección de soldaduras que sea a la vez inteligente y frugal, capaz de ejecutarse en tarjetas gráficas corrientes o procesadores embebidos sin sacrificar fiabilidad. Al distinguir mejor los defectos reales del ruido superficial y al detectar fallas muy pequeñas, podría reducir tanto los problemas no detectados como las reparaciones innecesarias. Aunque el modelo aún no se ha desplegado a escala completa en fábricas, el estudio sugiere un camino claro hacia inspectores compactos basados en cámara que vigilen de forma continua la calidad de estructuras soldadas críticas.

Cita: 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

Palabras clave: detección de defectos en soldaduras, visión industrial, aprendizaje profundo ligero, detección de objetos YOLO, automatización de inspección de calidad