Rééquilibrage par gradient de confiance et algorithme léger d'amélioration des caractéristiques pour la détection des défauts de surface de l'acier

Des yeux plus précis pour la qualité de l'acier

Des voitures et des ponts aux smartphones, la vie moderne dépend d'un acier présentant peu de défauts. De minuscules rayures, piqûres ou inclusions à la surface de l'acier peuvent affaiblir les produits ou raccourcir leur durée de vie, pourtant ces imperfections sont souvent si petites et de si faible contraste que même des caméras et logiciels avancés les manquent. Cet article présente GRACE, une nouvelle méthode de vision par ordinateur qui aide les systèmes d'inspection automatisés à repérer ces défauts subtils de manière plus fiable et plus rapide, dans le but d'améliorer la sécurité et l'efficacité de la fabrication.

Pourquoi les petits défauts sont difficiles à repérer

Dans les aciéries et les usines d'électronique, les équipes de contrôle qualité s'appuient sur des caméras à grande vitesse et des algorithmes pour scanner chaque bande de métal qui défile. Le problème est que de nombreux défauts sont minuscules, de forme irrégulière et se distinguent à peine des textures complexes de la surface de l'acier. Les systèmes traditionnels basés sur des règles reposent sur des seuils réglés à la main et des descripteurs manuels, qui peuvent facilement être perturbés par des variations d'éclairage, du bruit ou des conditions de production. Les systèmes d'apprentissage profond ont amélioré la situation, mais ils peinent encore sur deux points principaux : d'une part, certains types de défauts sont beaucoup moins fréquents que d'autres, si bien que le modèle apprend davantage des motifs courants et néglige les défauts rares mais importants ; d'autre part, les couches initiales du réseau perdent souvent les détails fins de texture et de bord qui distinguent un défaut d'un motif de fond inoffensif.

Une stratégie d'entraînement plus intelligente

L'algorithme GRACE s'appuie sur un modèle moderne et rapide de détection d'objets appelé YOLO11s et y ajoute deux améliorations ciblées. La première, nommée Dynamic Sampling with Confidence-Gradient Balanced Sampling Mechanism (DS-CBSM++), modifie la façon dont le modèle est entraîné plutôt que la façon dont il analyse chaque image. Pendant l'entraînement, GRACE surveille en continu la confiance du modèle pour chaque défaut et l'amplitude du signal d'apprentissage, ou gradient, pour cette classe. Les types de défauts rares ou à faible confiance, ainsi que les images que le modèle trouve difficiles, sont échantillonnés plus souvent ; les cas faciles et surreprésentés le sont moins. Ce rééquilibrage adaptatif aide le réseau à prêter une attention supplémentaire aux défauts difficiles et sous-représentés sans alourdir le modèle ni le ralentir en usage réel.

Amélioration légère des détails

La deuxième amélioration, le Lightweight Feature Enhancement Network (Lite-FEN), se concentre sur les détails d'image où se trouvent les petits défauts. Il ajoute un module d'attention compact à une couche de caractéristiques précoce, là où les bords et les textures sont les plus visibles. Par de simples opérations d'attention en canal et en espace, Lite-FEN renforce les signaux qui ressemblent à des structures significatives — comme des lignes de type fissure ou de minuscules piqûres — tout en atténuant les textures de fond non pertinentes. De manière cruciale, ce traitement supplémentaire n'ajoute qu'un petit nombre de paramètres et maintient une faible charge de calcul, de sorte que le détecteur reste assez rapide pour une inspection en temps réel sur les lignes de production.

De meilleures détections à travers les ensembles de données

Pour évaluer GRACE, les auteurs l'ont testé sur trois jeux de données publics de défauts de surface d'acier. Sur la référence largement utilisée NEU-DET, GRACE a amélioré un indicateur clé de précision (mean average precision) par rapport au modèle YOLO11s de base, tout en conservant presque la même vitesse et la même taille de modèle — environ 9,56 millions de paramètres et près de 60 images par seconde à la résolution standard. Les gains ont été particulièrement marqués pour les défauts petits et faiblement contrastés comme le crazing et les surfaces piquées. Des expériences supplémentaires sur deux autres jeux, GC10-DET et X-SDD, ont montré que les avantages de GRACE n'étaient pas liés à une seule collection d'images : il continuait à récupérer davantage de défauts réels et produisait une localisation plus nette des contours des défauts, même lorsque les textures de fond et les types de défauts variaient.

Ce que cela signifie pour l'industrie

Pour un non-spécialiste, le message principal est que GRACE aide les systèmes d'inspection automatisés à voir plus clairement les défauts minuscules et difficiles à repérer, sans exiger d'ordinateurs plus puissants ni de ralentir les cadences de production. En orientant l'entraînement vers des exemples rares et difficiles et en affinant légèrement l'attention du modèle sur les textures fines, GRACE réduit à la fois les défauts manqués et les fausses alarmes, en particulier sur des images complexes et bruyantes qui ressemblent aux conditions réelles d'usine. Bien que la méthode ait été testée jusqu'à présent hors ligne sur des jeux de données publics, sa conception est prête pour une intégration en ligne sur des lignes de production, où elle pourrait rendre les produits en acier plus sûrs, plus fiables et moins coûteux à produire.

Citation: Chen, L., Guo, C., Wu, X. et al. Confidence–gradient reweighting and lightweight feature enhancement algorithm for steel surface defect detection. Sci Rep 16, 5676 (2026). https://doi.org/10.1038/s41598-026-36543-w

Mots-clés: défauts de surface de l'acier, inspection visuelle automatisée, détection par apprentissage profond, détection de petits objets, contrôle qualité industriel