Cadre hybride explicable d’IA pour une prédiction avancée des défauts de surface de l’acier

Pourquoi de minuscules défauts dans l’acier devraient vous importer

Des automobiles et des navires aux gratte-ciels et aux robots, de nombreux objets dont nous dépendons chaque jour sont fabriqués à partir de plaques d’acier plates. Si de petites fissures, piqûres ou rayures passent inaperçues à l’usine, elles peuvent affaiblir ces structures, raccourcir la durée de vie des produits et augmenter les coûts. Cet article décrit un nouveau type de système d’intelligence artificielle (IA) qui agit comme un inspecteur extrêmement attentif, repérant et expliquant des défauts subtils des surfaces d’acier plus précisément que les outils actuels, tout en restant suffisamment rapide pour être utilisé sur des lignes de production réelles.

Comment l’acier est contrôlé aujourd’hui — et pourquoi cela reste insuffisant

L’inspection traditionnelle de l’acier repose sur des opérateurs humains ou sur des règles simples de traitement d’image. Les humains se fatiguent rapidement et peuvent manquer des défauts faibles ou irréguliers. Les systèmes basés sur des règles peinent chaque fois que l’éclairage, le matériau ou la forme du défaut changent même légèrement, ce qui arrive souvent en milieu industriel. Ces dernières années, des modèles d’apprentissage profond, notamment la famille des détecteurs d’objets YOLO, ont été entraînés pour repérer automatiquement les défauts. Mais ces systèmes en une étape essaient de remplir deux tâches très différentes à la fois : tracer des boîtes serrées autour des défauts et décider de leur catégorie. Lorsque les défauts sont petits, de forme irrégulière ou ressemblent au fond métallique, cette approche couplée tend soit à manquer des défauts, soit à confondre leurs catégories.

Séparer le travail en deux pour une vision plus nette

Les auteurs proposent un cadre hybride d’aide au diagnostic (CAD) qui sépare délibérément la localisation des défauts de leur identification. D’abord, un détecteur amélioré appelé Fusion YOLO se concentre uniquement sur une question simple pour chaque région : y a‑t‑il un défaut ici ? Il combine trois modèles optimisés basés sur YOLO, dont une conception personnalisée nommée DCBS‑YOLO, et fusionne leurs propositions en utilisant une technique qui moyenne les boîtes chevauchantes au lieu de les rejeter. Cela permet au système de dessiner des contours plus fiables autour des zones suspectes, surtout lorsque les défauts sont petits, de forme étrange ou peu contrastés par rapport au fond.

Apprendre au système à voir les détails et l’ensemble

Une fois les zones probables de défaut localisées, une deuxième étape prend le relais pour décider du type de défaut — par exemple une marque de type fissuration (« crazing »), une piqûre, une tache ou une rayure. Ici, le cadre utilise une combinaison de plusieurs réseaux de neurones convolutionnels (CNN), efficaces pour capter les textures fines, et d’un Vision Transformer, performant pour percevoir des motifs plus larges et des relations à longue portée dans l’image. Leurs cartes de caractéristiques sont fusionnées afin que les détails locaux et le contexte global soient pris en compte conjointement. Cette disposition réduit fortement les confusions entre types de défauts qui se ressemblent pour les humains comme pour les machines. Parmi différentes familles de CNN, le meilleur trio associé au Transformer, entraîné de bout en bout, a atteint des scores de classification quasiment parfaits sur des jeux de données de référence.

Nettoyer l’image et régler automatiquement les modèles

Pour donner à l’IA les meilleures chances de réussite, les auteurs conçoivent une chaîne de prétraitement qui améliore en douceur les images d’acier. En ajustant luminosité et contraste, en réduisant le bruit et en renforçant les contours — tout en préservant soigneusement la qualité globale de l’image —, le système fait ressortir les défauts faibles sans créer d’artéfacts artificiels. De plus, un workflow inspiré du MLOps explore automatiquement de nombreux paramètres d’entraînement, tels que les taux d’apprentissage et les tailles de lot, pour trouver les combinaisons les plus efficaces tant pour la détection que pour la classification. Cette automatisation réduit les essais‑erreurs et s’assure que les modèles finaux sont proches de leurs performances optimales pour la tâche.

Ouvrir la boîte noire avec des explications visuelles

Parce que les utilisateurs industriels doivent faire confiance au système avant de l’intégrer en production, le cadre inclut des outils d’IA explicable. Après qu’un défaut a été étiqueté, une méthode appelée Grad‑CAM produit une carte de chaleur qui met en évidence les zones de l’image ayant le plus influencé la décision. Ces couches colorées montrent aux inspecteurs exactement où l’IA « a regardé » lorsqu’elle a qualifié un élément de fissure ou de piqûre. Dans les cas où la première étape de détection manque un défaut, l’étape de classification et ses cartes de chaleur peuvent néanmoins révéler des zones suspectes, servant de filet de sécurité et aidant les ingénieurs à comprendre les angles morts restants.

Ce que signifient les résultats pour les usines réelles

Testé sur deux jeux de données de référence largement utilisés pour les défauts d’acier, le nouveau cadre a surpassé à la fois les modèles YOLO standards et plusieurs systèmes de recherche récents, atteignant une grande précision de détection et d’excellents scores de classification tout en se généralisant bien à de nouveaux types de défauts. Bien que la conception en deux étapes exige davantage de calcul et frôle encore la vitesse idéale en temps réel, elle approche déjà les débits nécessaires sur de nombreuses lignes de production. Avec un affinage industriel supplémentaire, soutiennent les auteurs, cette approche pourrait devenir un assistant d’inspection pratique : capable de détecter des défauts plus subtils, d’expliquer son raisonnement et d’aider les fabricants à livrer des produits en acier plus sûrs et plus fiables.

Citation: Moon, C., Al-antari, M.A. & Gu, Y.H. Explainable hybrid AI CAD framework for advanced prediction of steel surface defects. Sci Rep 16, 10796 (2026). https://doi.org/10.1038/s41598-025-34320-9

Mots-clés: inspection de surface de l’acier, détection de défauts, apprentissage profond, vision par ordinateur, IA explicable