מסגרת CAD היברידית עם יכולות הסברה לחיזוי מתקדם של פגמים במשטח פלדה

מדוע פגמים זעירים בפלדה חשובים לכם

ממכוניות וספינות ועד גורדי שחקים ורובוטים — רבים מהדברים שאנו מסתמכים עליהם יום־יום בנויים מפלטות פלדה שטוחות. אם סדקים, שקעים או שריטות זעירות עוברים במפעל מבלי להיבחן, הם עלולים להחליש את המבנים הללו, לקצר את חיי המוצר ולהביא לעלויות גבוהות יותר. מאמר זה מתאר מערכת בינה מלאכותית חדשה הפועלת כבודק־על־מודע, שמזהה ומסבירה פגמים עדינים במשטחי פלדה בצורה מדויקת יותר מכלים הקיימים, ועדיין מהירה דיה לשימוש בקווי ייצור אמיתיים.

כיצד נבדקת הפלדה כיום — ולמה זה לא מספיק

בדיקות פלדה מסורתיות תלויות בעובדים אנושיים או בחוקי עיבוד תמונה פשוטים. בני אדם מתעייפים במהירות ועלולים לפספס פגמים חלשים או בלתי סדירים. מערכות מבוססות חוקים מתקשות כאשר התאורה, החומר או צורת הפגם משתנים אפילו במידה קלה — תרחיש נפוץ במפעלים. בשנים האחרונות אומנו מודלים של למידה עמוקה, במיוחד משפחת YOLO של גלאי עצמים, כדי למצוא פגמים באופן אוטומטי. אך מערכות שלב־אחד אלה מנסות לבצע שתי משימות שונות בו־זמנית: שרטוט מסגרות הדוקות סביב הפגמים והחלטה על סוג כל פגם. כאשר הפגמים זעירים, בעלי צורה מוזרה או נראים בדומה לרקע הפלדה, גישה משולבת זו נוטה להחמיץ פגמים או לבלבל בין קטגוריות.

פיצול המשימה לשניים לעיניים חדות יותר

המחברים מציעים מסגרת CAD "היברידית" שמפרידה במתכוון בין איתור הפגמים לבין מיתוגם. תחילה, גלאי משופר בשם Fusion YOLO מתמקד רק במענה על שאלה פשוטה כן־או־לא עבור כל אזור: האם יש כאן איזשהו פגם? הוא מאחד שלושה מודלים מותאמים מבוססי YOLO, כולל עיצוב מותאם שנקרא DCBS-YOLO, וממזג את ההצעות שלהם באמצעות טכניקה שממוצעת תאים חופפים במקום לזרוק אותם. כך המערכת יכולה לצייר קווי מתאר מהימנים יותר סביב אזורים חשודים, במיוחד כאשר הפגמים קטנים, בעלי צורה מוזרה או חיוורים יחסית לרקע.

ללמד את המערכת לראות גם פרטים גם תמונה רחבה

לאחר שאותרו אזורי פגם סבירים, שלב שני מקבל את המידע ומחליט איזה סוג פגם מדובר — למשל סימן סדקי דמוי "crazing", שקע, טלאי או שריטה. במסגרת זו משתמשים בצירוף של מספר רשתות עצביות קונבולוציוניות (CNNs), שמצטיינות בזיהוי מרקמים עדינים, וב־Vision Transformer, שמתבלט בזיהוי דפוסים רחבים וקשרים טווח־ארוך בתמונה. מפות התכונות שלהם מוזגות כך שפרטים מקומיים והקשר גלובלי נשקלים יחד. סידור זה מקטין משמעותית בלבול בין סוגי פגמים שנראים דומים הן לבני אדם והן למכונות. בין משפחות CNN שונות, שלישייה מיטבית בתוספת ה־Transformer, שאומנה בקצה־אל־קצה, השיגה ציוני סיווג כמעט מושלמים על מערכי בדיקה דוגמתיים.

ניקוי התמונה וכיוונון המודלים באופן אוטומטי

כדי לתת לבינה את הסיכוי הטוב ביותר להצליח, המחברים תכננו צנרת עיבוד מקדימה שמחמירה עדינות בתמונות הפלדה. באמצעות כוונון בהירות וניגודיות, הפחתת רעש והחדדת קצוות — תוך שמירה זהירה על איכות התמונה הכוללת — המערכת מבהירה פגמים חלשים מבלי ליצור ארטיפקטים מלאכותיים. מעבר לכך, תהליך עבודה מבוסס MLOps מחפש אוטומטית בין הגדרות אימון רבות, כגון שיעורי למידה וגודל המנות, כדי למצוא את השילובים היעילים ביותר הן לגילוי והן לסיווג. אוטומציה זו מקטינה ניסויים וטעיות ומבטיחה שהמודלים הסופיים קרובים לביצועים הטובים ביותר שניתן להגיע אליהם למשימה.

פתיחת הקופסה השחורה עם הסברים חזותיים

מכיוון שמשתמשים תעשייתיים חייבים לסמוך על המערכת לפני שיישמו אותה בקו, המסגרת כוללת כלי בינה מלאכותית מסבירים. לאחר שסומן פגם, שיטה שנקראת Grad-CAM מפיקה מפת חום המדגישה אילו חלקי התמונה השפיעו ביותר על ההחלטה. שכבות צבע אלה מראות למבקרים בדיוק היכן ה"עין" של ה־AI התמקדה כשהסיק שמדובר בסדק או בשקע. במקרים שבהם שלב האיתור הראשון מפספס פגם, שלב הסיווג ומפות החום שלו יכולים עדיין לחשוף אזורים חשודים, לשמש רשת בטחון ולעזור למהנדסים להבין נקודות עיוורון שנותרו.

מה הממצאים משמעותיים עבור מפעלים בעולם האמיתי

נבדקה על שני מערכי נתונים נפוצים לפגמי פלדה, המסגרת החדשה ביצעה טוב יותר הן ממודלים סטנדרטיים של YOLO והן ממספר מערכות מחקריות עדכניות, והשיגה דיוק גבוה באיתור וציון סיווג תוך הכללה טובה לסוגי פגמים חדשים. אף על פי שעיצוב שתי־השלבים דורש משאבים חישוביים גבוהים יותר ונמצא מעט מתחת למהירות זמן אמת אידיאלית, הוא כבר מתקרב לקצבי פריימים הנחוצים ברבים מקווי הייצור. עם הנדסה נוספת, המחברים טוענים, גישה זו יכולה להפוך לעוזר בדיקה מעשי: כזה שתופס פגמים עדינים יותר, מסביר את שיקוליו ועוזר ליצרנים לספק מוצרים מבוססי פלדה בטוחים ואמינים יותר.

ציטוט: 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

מילות מפתח: בדיקת משטחי פלדה, גילוי פגמים, למידה עמוקה, ראייה ממוחשבת, בינה מלאכותית מסבירה