Diamond-DETR : algorithme léger d’évaluation en temps réel de la qualité des diamants synthétiques

Pourquoi de minuscules défauts dans les diamants synthétiques comptent

Les diamants synthétiques sont les chevaux de trait méconnus de l’industrie moderne, usinant, meulant et polissant tout, des pièces métalliques aux composants électroniques. Leur performance et leur prix dépendent cependant de minuscules imperfections de surface — éclats, fissures et formes irrégulières — que l’œil humain a du mal à repérer rapidement au microscope. Cet article présente Diamond-DETR, un système d’intelligence artificielle compact conçu pour inspecter automatiquement les diamants synthétiques en temps réel, visant à rendre les contrôles de qualité plus rapides, plus fiables et plus faciles à déployer sur du matériel d’usine courant.

Des yeux humains aux yeux automatisés

Pendant des décennies, les usines ont compté sur des méthodes de tri mécaniques et sur des experts humains scrutant des microscopes pour juger la qualité des diamants. Les méthodes mécaniques, comme les tamis vibrants ou la séparation par densité, montrent leurs limites quand les particules sont très petites ou très pures, et elles ne peuvent pas distinguer un cristal parfait d’un cristal à bord ébréché. L’inspection humaine, bien que flexible, est lente, fatigante et subjective. À mesure que la demande pour un tri précis et à grand volume de particules synthétiques augmente, les fabricants ont besoin de systèmes visuels automatisés capables de repérer rapidement et de manière constante de minuscules défauts, même lorsque les particules sont serrées les unes contre les autres ou varient en taille et en forme.

Associer le détail local à la vue d’ensemble

Les outils modernes de vision par ordinateur se répartissent globalement en deux familles. Les réseaux convolutifs légers excellent pour capter des détails locaux — comme la netteté d’un angle — mais peinent parfois à comprendre le contexte global d’une image. Les modèles basés sur des transformers, en revanche, voient bien la scène dans son ensemble et gèrent les relations à longue portée, mais ont tendance à être lourds et plus lents, surtout pour l’inspection en temps réel. Diamond-DETR s’appuie sur un détecteur transformer récent appelé RT-DETR et le réadapte pour l’inspection industrielle des diamants. L’objectif est de conserver le solide raisonnement global des transformers tout en réduisant les calculs et en affinant la sensibilité du réseau aux subtiles imperfections géométriques à petite échelle sur les surfaces de diamant.

Un moteur d’inspection plus léger sous le capot

Les auteurs repensent trois composants principaux du pipeline de détection. D’abord, ils remplacent le réseau de base standard par un bloc personnalisé « RepFasterNet » qui ne traite qu’une fraction des canaux d’image avec des opérations spatiales plus coûteuses, puis les fusionne efficacement. Cette étape réduit le volume de calcul tout en préservant les détails d’arêtes et d’angles où les défauts apparaissent souvent. Ensuite, ils introduisent une pyramide de fusion de caractéristiques avec filtrage de haut niveau, qui utilise un mécanisme d’attention pour laisser des signaux de haut niveau forts guider l’accentuation ou la suppression des détails de bas niveau à différentes échelles. Enfin, ils améliorent un module de fusion inter‑stades par des convolutions dilatées, élargissant ainsi la zone vue par chaque neurone sans alourdir la profondeur du réseau. Ensemble, ces changements aident le modèle à reconnaître les diamants et leurs défauts sur une gamme de tailles et de fonds complexes, tout en restant rapide sur du matériel milieu de gamme.

Mettre le système à l’épreuve

Pour évaluer Diamond-DETR, l’équipe a constitué son propre jeu d’images microscopiques de particules de diamant synthétique, annotant chaque instance comme de haute qualité ou défectueuse en fonction des caractéristiques de surface visibles. Ils ont comparé le nouveau modèle à l’RT-DETR d’origine et à plusieurs détecteurs réputés, y compris des variantes populaires de YOLO et des systèmes classiques en deux étapes comme Faster R-CNN. Sur ce jeu de données interne de diamants, Diamond-DETR a amélioré la précision, le score global de détection et la vitesse de traitement tout en utilisant moins de paramètres que RT-DETR. Des explications visuelles sous forme de cartes thermiques ont montré que le nouveau modèle se concentrait de façon plus ciblée sur les régions géométriques pertinentes — en particulier les arêtes et les angles — que la référence. Dans des tests supplémentaires sur un autre jeu de données industriel de contre‑écrous métalliques, Diamond-DETR a conservé de bonnes performances, suggérant que sa conception se généralise à d’autres pièces manufacturées définies par des formes complexes.

Ce que cela signifie pour les usines et au‑delà

Concrètement, Diamond-DETR propose un « inspecteur automatique » plus compact, plus précis et plus rapide pour les lignes de tri microscopiques de diamants. Avec une taille de modèle de seulement quelques dizaines de mégaoctets et des vitesses de traitement en temps réel, il convient bien aux configurations aux ressources limitées qui ne peuvent pas accueillir de très grands systèmes d’IA. La méthode n’est pas une solution de contrôle qualité complète — elle ne voit pas les fissures internes ni n’analyse la composition chimique — mais elle fournit une interface visuelle puissante qui pourrait être couplée à d’autres capteurs. En montrant que les détecteurs basés sur transformers peuvent être soigneusement aminci et optimisés pour la discrimination géométrique fine, ce travail ouvre la voie à une utilisation plus large de modèles similaires pour l’inspection automatisée de petites pièces industrielles, des abrasifs aux éléments de fixation, où de minuscules défauts de surface ont un impact économique majeur.

Citation: Yan, X., Yang, S., Zhang, S. et al. Diamond-DETR: lightweight real-time quality evaluation algorithm for synthetic diamonds. Sci Rep 16, 10711 (2026). https://doi.org/10.1038/s41598-026-44951-1

Mots-clés: diamants synthétiques, inspection automatisée, détection d’objets, vision industrielle, modèles transformer