DEENet: מודל מקודד-כפול CNN–Transformer משופר בקצוות לגילוי פגמי משטח פלדה

למה פגמים זעירים בפלדה חשובים

ממכוניות וגשרים ועד מכשירי חשמל ביתיים — החיים המודרניים נשענים על פלדה. עם זאת, האמינות של כל המוצרים האלה עלולה להיפגע על ידי פגמים כה זעירים שקשה לזהותם אפילו במיקרוסקופ. המחקר הזה מציג את DEENet, מערכת ראייה ממוחשבת חדשה המסוגלת לאתר באופן אוטומטי פגמי משטח עדינים בפסי פלדה בדיוק וביעילות טובים יותר מכלים קיימים, ולסייע למפעלים לאתר בעיות מוקדם, לשפר בטיחות ולהפחית בזבוזים.

האתגר של זיהוי פגמים קטנים

משטחים של פלדה צוברים במהלך הייצור סוגים רבים של פגמים: כתמים קשקשיים, שקעים, סדקים עדינים, הכללות של חומר זר ושריטות. בדיקה מסורתית מסתמכת על עובדים אנושיים או על מסנני תמונה פשוטים, שהם איטיים, לא עקביים ורגישים לרעשים ברקע המפעל. אלגוריתמי זיהוי חד-מעבר מודרניים כמו משפחת YOLO יכולים לסרוק תמונה במעבר אחד, אך הם עדיין מפספסים פגמים זעירים או בעלי ניגוד נמוך ולעתים מטשטשים את קצוות האזורים הפגומים. כאשר הגבולות בין פלדה תקינה לפגומה לא חדים, הגלאים מעריכים בצורה שגויה גודל ומיקום, מה שמוביל לפספוס פגמים או לאיתור שגוי.

שילוב שתי דרכי תצפית

DEENet מתמודד עם הבעיה על ידי שילוב שתי דרכי הסתכלות משלימות על התמונה. ענף אחד הוא רשת עצבית קונבולוציונית קלאסית (CNN), המתמחה בזיהוי מרקמים מקומיים עדינים, כגון שקעים זעירים או שריטות דקות. הענף השני הוא רשת מבוססת Transformer, שמחלקת את התמונה לטלאים ומתמחה בלכידת הקשר הרחב — כיצד דפוסים מתקשרים לאורך כל פס הפלדה. ב-DEENet, שני הענפים פועלים כ"עיניים" תאומות: אחת ממוקדת בפרטים, השנייה בתמונה הכוללת. מודול איחוד ערוצים כפול מותאם אישית מאחד לאחר כך את הפלטים שלהם, כך שכל אזור בתמונה מתואר הן על ידי מרקמו המקומי והן על ידי תפקידו בסצנה הכוללת. התקשורת הזו הופכת את המערכת לרגישה יותר לפגמים זעירים ושכובים שדגמים ישנים נוטים להתעלם מהם.

חידוד מתאר הנזק

אפילו עם תכונות עשירות, הגלאים עדיין עלולים להתקשות בהשגת קווי מתאר חדים של הפגמים, במיוחד כאשר הם מתמזגים בהדרגה עם הרקע. כדי להתמודד עם זאת, הכותבים תכננו מודול שיפור קצוות שנקרא C2f_EEM, המתמקד במיוחד בשינויים בעוצמת האור בגבולות בין אזורים פגומים ללא פגמים. הוא מעביר תכונות דרך מספר מסננים בגדלים שונים כדי ללכוד מבנים מסדקים דקים ועד כתמים רחבים יותר, ואז משתמש בסוג של השוואת "לפני-ואחרי" כדי להדגיש מעברים חדים. התהליך הזה מדגיש את התוכן בעל התדרים הגבוהים שבו נמצאים הקצוות, מה שמבליט סדקים ושקעים באופן ברור יותר, והוא עושה זאת עם חישובים קלים המתאימים לשימוש בזמן אמת בקווי ייצור.

מבחני המערכת

החוקרים העריכו את DEENet על קבוצת בדיקה מקובלת של פגמי פס פלדה הכוללת שישה סוגי פגמים נפוצים, כאשר לכל סוג יש מאות תמונות דוגמה. בהשוואה לגלאים מבוססי YOLO סטנדרטיים ולמודלים חדשים בסגנון Transformer, DEENet משיג דיוק ממוצע גבוה יותר (mean Average Precision) — מדד מסכם של עד כמה האיתורים נכונים וממקמים היטב — ומגיע ל-81.4%. השיפורים בולטים במיוחד בקטגוריה הקשה ביותר, crazing, שנראית כקורי סדקים דקים ובדרך כלל בעלת ניגוד נמוך מאוד. DEENet לא רק מאתר יותר מהפגמים הבעייתיים האלה, אלא גם מצייר מסגרות חזקות יותר סביבם, ובמקביל שומר על עומס חישובי נמוך מספיק לפריסה מעשית. בדיקות נוספות על אוסף תעשייתי נוסף ועל תמונות עם רעש ושינויים בתאורה מראות שהמודל נשאר מדויק גם כאשר התנאים מחמירים.

מה המשמעות למוצרים יום-יומיים

בשפה פשוטה, המחקר מראה כי מתן שתי "תצפיות" משלימות של אותו משטח פלדה למערכת ראייה — ולימוד לחידוד הקצוות — יכול להפוך את גילוי הפגמים לחכם ואמין יותר. היכולת המשופרת של DEENet לזהות פגמים קטנים וחלשים ולסמן אותם בדיוק עשויה לעזור ליצרני פלדה לגלות בעיות מוקדם, להפחית פסולת ולספק חומרים עקביים יותר לכל דבר ממגדלי מגורים ועד סמארטפונים. בעוד שהכותבים מציינים שיש להמשיך ולצמצם את המודל למכשירים בעלי צריכת חשמל נמוכה ולבחון אותו במפעלים מגוונים יותר, התוצאות שלהם מסמנות צעד לקראת בקרת איכות בטוחה, יעילה וממוכנת יותר בתעשייה הכבדה.

ציטוט: Pan, W., Zhong, R., Huang, J. et al. DEENet: an edge-enhanced CNN–Transformer dual-encoder model for steel surface defect detection. Sci Rep 16, 6692 (2026). https://doi.org/10.1038/s41598-026-36390-9

מילות מפתח: פגמי פלדה, ראיית מכונה, למידה עמוקה, בדיקת איכות, אוטומציה תעשייתית