Un algorithme YOLOv11 allégé et amélioré pour la détection des défauts de surface de soudure

Pourquoi les petits défauts de soudure comptent

Des ponts et des navires aux gratte-ciel et aux pipelines, d’innombrables structures métalliques dépendent de soudures solides pour rester sûres. Pourtant, la surface de ces soudures peut cacher de petits défauts — pores, fissures ou inclusions de laitier — qui, s’ils passent inaperçus, peuvent évoluer en défaillances graves. Inspecter chaque soudure à la main est lent, coûteux et sujet à erreur humaine, surtout dans des ateliers actifs. Cet article présente un système de vision par ordinateur plus rapide et plus léger, appelé YOLO-Air, conçu pour repérer automatiquement et en temps réel les défauts de surface de soudure, même sur du matériel industriel aux ressources limitées.

Limites des outils d’inspection traditionnels

Pendant des décennies, l’inspection des soudures s’est appuyée sur des méthodes physiques comme les rayons X, l’ultrason, les poudres magnétiques et les courants de Foucault. Ces techniques peuvent révéler des défauts internes et de surface, mais elles ont des inconvénients : risques radiologiques et protections nécessaires pour la radiographie, dépendance à l’opérateur pour l’ultrason, et contraintes de matériau pour les contrôles magnétiques ou par courants de Foucault. Elles peinent aussi avec des pièces aux formes complexes et face à des variations environnementales comme l’éclairage, la température ou la contamination de surface. Avec la demande industrielle croissante pour un contrôle qualité rapide et continu, ces outils seuls ne suffisent plus.

Montée en puissance des caméras intelligentes pour les soudures

Les progrès récents en apprentissage profond permettent désormais de détecter des défauts directement à partir d’images, en utilisant des algorithmes initialement développés pour la reconnaissance d’objets courants. Parmi eux, les détecteurs « one-stage » comme la famille YOLO sont particulièrement attractifs pour l’industrie car ils offrent un bon compromis entre précision et rapidité. Toutefois, les images de soudures présentent des défis particuliers : arrière-plans encombrés par la rouille, les taches et les revêtements ; défauts extrêmement petits et denses ; et multiples types de défauts aux formes et textures variées. Les modèles standards manquent soit de sensibilité pour ces subtilités, soit confondent le bruit avec de vrais dommages, soit sont tellement lourds qu’ils sont difficiles à déployer sur des GPU modestes ou des dispositifs embarqués.

Un cerveau plus léger pour des yeux plus précis

Les auteurs partent du dernier modèle YOLOv11 et le transforment en YOLO-Air, une version adaptée pour repérer efficacement les défauts de surface de soudure. Ils commencent par retravailler le backbone, la partie du réseau qui traite d’abord l’image. Un nouveau bloc d’extraction de caractéristiques combine deux idées : un mécanisme « ghost » qui réutilise des transformations simples pour générer des cartes de caractéristiques supplémentaires à faible coût, et un mécanisme de filtrage dynamique qui s’adapte à chaque entrée, mettant en avant les motifs associés aux vrais défauts tout en atténuant les détails de fond distrayants. Cela permet au modèle d’acquérir une compréhension plus riche des défauts à différentes tailles et formes sans alourdir la charge computationnelle.

Accélérer le flux d’information

Puis l’équipe allège le milieu du réseau, appelé le neck, responsable de la fusion des informations globales grossières et des détails locaux fins. Ils remplacent des opérations lourdes par des convolutions groupées et mélangées (shuffled) qui encouragent le partage d’information entre canaux tout en réduisant les calculs superflus. Un bloc d’agrégation repensé rationalise davantage la façon dont les caractéristiques à différentes échelles sont combinées. Ensemble, ces changements réduisent les redondances dans le traitement du modèle, lui permettant de suivre de minuscules défauts répartis sur une surface de soudure bruitée tout en restant très rapide.

Une couche de sortie parcimonieuse pour l’usage en temps réel

Enfin, les auteurs simplifient la tête de détection — la partie du système qui transforme les caractéristiques internes en boîtes englobantes et en décisions de défaut. Plutôt que d’appliquer des convolutions complètes à chaque canal, ils utilisent un schéma partiel qui ne traite qu’un sous-ensemble de canaux et laisse les autres inchangés. Cela réduit une part importante des paramètres et des opérations en virgule flottante du modèle, tout en préservant l’information essentielle pour localiser et classer les défauts. Le résultat est un détecteur à la fois compact et réactif, adapté à la surveillance en ligne sur les chaînes de production où chaque milliseconde compte.

Performances du nouveau système

Pour évaluer YOLO-Air, les chercheurs le testent sur deux jeux de données publics de défauts de surfaces métalliques : l’un centré sur les soudures et l’autre sur des défauts de bandes d’acier générales. Face à une sélection de modèles classiques et modernes — incluant plusieurs versions de YOLO et des architectures basées sur des transformeurs — YOLO-Air offre le meilleur compromis entre précision, vitesse et taille du modèle. Sur les images de soudures, il améliore la qualité de détection d’environ un point de pourcentage par rapport à la base YOLOv11 tout en réduisant le nombre de paramètres de plus de 17 % et la charge computationnelle d’un tiers environ. Il maintient également plusieurs centaines d’images par seconde de débit, répondant aisément aux besoins du temps réel. Des tests statistiques confirment que ces gains ne sont pas dus au hasard.

Ce que cela signifie pour l’industrie

Concrètement, YOLO-Air démontre qu’il est possible de concevoir un système d’inspection des soudures à la fois intelligent et économe, capable de fonctionner sur des cartes graphiques courantes ou des processeurs embarqués sans sacrifier la fiabilité. En distinguant mieux les vrais défauts du bruit de surface et en détectant de très petits défauts, il pourrait réduire à la fois les problèmes manqués et les réparations inutiles. Bien que le modèle n’ait pas encore été déployé à grande échelle en usine, l’étude trace une voie claire vers des inspecteurs compacts à base de caméras qui surveillent en continu la qualité des structures soudées critiques.

Citation: 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

Mots-clés: détection des défauts de soudure, vision industrielle, apprentissage profond allégé, détection d'objets YOLO, automatisation du contrôle qualité