רשת תשומת-לב משופרת בהשטחה רב-סקלית לזיהוי פגמים על פני שטח פלדה בתהליך ייצור פוליסיליקון

מדוע סדקים זעירים בפלדה פתאום חשובים כל כך

מאחורי כל פאנל סולארי מבריק עומד חורש של מגדלי פלדה שמזקקים פוליסיליקון, החומר בעל הטוהר המופלג שמרכיב את ליבת הפוטו-וולטאיקה המודרנית. אם סדקים או שקעי מיקרו מזעריים נוצרו במגדלים אלה, הם עלולים להחליש את המתכת בשקט עד לכשל קטסטרופלי שמפסיק את הייצור — או גרוע מכך, מסכן את בטיחות העובדים. מאמר זה מציג מערכת בינה מלאכותית חדשה היכולה לאתר פגמים כאלה במהירות ובאופן מהימן, אפילו כשהם כמעט בלתי נראים לעין, ומציעה נתיב לייצור סולארי בטוח ויעיל יותר.

מפעלי סולאר וכשלים חבויים

מגדלי זיקוק פוליסיליקון פועלים בתנאים קשים: טמפרטורות של כ-1,000–1,200 °C, אדי קורוזיה, השתקפויות מסנוורות ורקעים ויזואליים מורכבים. על פני שטח הפלדה שלהם יכולים להופיע סוגים רבים של פגמים — סדקים מיקרוסקופיים דקיקים, שקעי זעיר, משקעים של סיליקון, שריטות, פגמי ריתוך ונקודות זיהום. כל אחד מהם נראה שונה בגודל, צורה ומרקם, ורבים נטמעים ברקע. שיטות בדיקה מסורתיות תלויות במידה רבה במומחים אנושיים או בכלי ראייה ממוחשב סטנדרטיים, שכל אלה מתקשים לזהות פגמים דקים ובלתי סדירים מתוך סצנות רועשות בזמן אמת. ככל שגודל ייצור הפוטו-וולטאיקה גדל, זה הופך לצוואר בקבוק רציני באיכות ובבטיחות המפעל.

עין חכמה יותר לפגמים קשים

החוקרים מציעים את MSEOD-DDFusionNet, מערכת למידת-עמוק מותאמת שנבנתה במיוחד לסביבה תעשייתית כה קשה. במקום להסתמך על רשת מונוליתית אחת, הם בונים צינור עבודה של ארבעה מודולים משתפים-פעולה, שכל אחד פותר חולשה מרכזית של גלאים קיימים. ראשית, שלב מיזוג תכונות שומר על פרטים עדינים ברמות סקליות מרובות, כך שהפגמים הזעירים לא נשטפים בעת דחיסת התמונות בתוך הרשת. לאחר מכן, שלב קונבולוציה דינמית מאפשר למערכת לעצב מחדש את המסננים שלה על הנטה, ועוזר להתאים את המתארים המוזרים של סדקים, שקעי ומשקעים. מודול שלישי מפצל את המשימה של דיכוי רעש מהגברת איתותים חלשים, כך שהדפוסים השבריריים של הפגמים מתחזקים במקום להימחק. לבסוף, שלב מבוסס דיפוזיה מאמן את המערכת לשרוד רעשים ריאליסטיים כגון בוהק, טשטוש וארטיפקטים תרמיים, וללמוד כיצד לנקות תכונות שנפגעו בלי לטשטש את הפגמים עצמם.

מתמונות רחפן להחלטות מהימנות

כדי לבדוק את הגישה שלהם, הצוות יצר ערכת נתונים תעשייתית חדשה בשם DDTE, שנבנתה מ-6,252 תמונות ברזולוציה גבוהה שצולמו על ידי רחפן מרחף כמה מטרים מציוד פעיל. מומחים תויגו שישה סוגי פגמים קריטיים עם תיבות היקפיות מדויקות ובדקו זה את עבודת זה כדי להבטיח הסכמה גבוהה. המערכת החדשה הושוותה אז מול מודלים פופולריים לגילוי עצמים כגון משפחת YOLO וכמה שיטות מבוססות טרנספורמר, לא רק על DDTE אלא גם על מאגרי פגמי פלדה ציבוריים ואף על תחומים לא קשורים כמו תמונות יומיומיות (PASCAL VOC) ומיקרוסקופיה של תאי דם (BCCD). במגוון המבחנים האלה, MSEOD-DDFusionNet מצאה באופן עקבי יותר פגמים, איתרה אותם במדויק יותר ופעלה מהר יותר מהבסיסים החזקים ביותר, תוך שימוש בפחות פרמטרים מאשר מתחרים רבים.

מה המספרים אומרים על הביצועים

בערכת המידע המרכזית DDTE, המערכת החדשה הגיע ל-82.6% דיוק ממוצע מדורג בסף זיהוי סטנדרטי (mAP50) ול-61.6% בספים מחמירים יותר, ועברה את קו הבסיס החזק של YOLO בעוד שהיא פועלת בקצב של כמעט 200 מסגרות לשנייה. היא הראתה רווחים מיוחדים בקטגוריות קשות כגון שקעי ופגמי ריתוך, שבהן צורות מורכבות ותאורה מבלבלת לעתים קרובות שיטות אחרות. במאגרי פלדה נוספים היא שיפרה בצורה חדה את ההכרה בפגמים בלתי-סדירים כמו סדקים והכללות. גם כאשר הועברה לסצנות יומיומיות ולתמונות רפואיות, אותה ארכיטקטורה שמרה על דיוק ומהירות גבוהים, מה שמרמז שעקרונות העיצוב — טיפול טוב יותר בפרטים רב-סקליים, התאמת צורה ודגם רעשים חזק — שימושיים באופן רחב, לא רק במפעלי פוליסיליקון.

מה זה אומר לתעשייה ומעבר לה

למשתמש שאינו מתמחה, המסקנה היא שהמחברים בנו מערכת "עיניים" ערנית, מסתגלת ועמידה יותר עבור מכונות. על ידי הנדסה מדוקדקת של האופן שבו הרשת שומרת פרטים עדינים, עוקבת אחרי צורות מוזרות ולומדת להתעלם מרעשים מטעהים, הם משיגים דיוק קרוב למצטיין תוך שמירה על קלות מספיק לפריסה בזמן אמת על רצפת הייצור. במונחים מעשיים, משמעות הדבר היא שמגדלי הפלדה במפעלי חומרים סולאריים יכולים להיבדק מהר ובאופן מהימן יותר, להפחית את הסיכון לתקלות בלתי צפויות ולשפר את איכות המוצר. רעיונות אלה ניתנים ליישום גם בהקשרים קריטיים לבטיחות — מצינורות דרך גשרים וסריקות רפואיות — שבהם ההבדל בין מערכת בטוחה למסוכנת עשוי להסתתר בפגמים שאינם גדולים יותר ממספר פיקסלים בודדים.

ציטוט: Duan, Y., He, L., Wang, Z. et al. Multiscale diffusion-enhanced attention network for steel surface defect detection in Polysilicon Production. Sci Rep 16, 5307 (2026). https://doi.org/10.1038/s41598-026-35913-8

מילות מפתח: פגמים על פני שטח פלדה, ייצור פוליסיליקון, בדיקות תעשייתיות, גילוי בעזרת למידת עומק, חזון ממוחשב