חישוב משקל מחדש לפי מדרון ביטחון ואלגוריתם שיפור תכונות קל־משקל לגילוי פגמי משטח פלדה

עיניים חדות יותר לאיכות הפלדה

ממכוניות וגשרים ועד סמארטפונים — החיים המודרניים תלויים בפלדה המיוצרת עם מעט פגמים. שריטות זעירות, שקעונים או כוללים על משטח הפלדה עלולים להחליש מוצרים או לקצר את חייהם, אך פגמים אלו לעיתים כה קטנים ובעלי ניגודיות נמוכה עד שגם מצלמות מתקדמות ותוכנה מפספסות אותם. מאמר זה מציג את GRACE, שיטה חדשה בראייה ממוחשבת המסייעת למערכות בדיקה אוטומטיות לזהות פגמים עדינים אלו באופן אמין ומהיר יותר, במטרה לשפר הן את הבטיחות והן את יעילות הייצור.

מדוע פגמים זעירים קשים לזיהוי

במפעלי פלדה ובמפעלי אלקטרוניקה, צוותי בקרת איכות מסתמכים על מצלמות מהירות ואלגוריתמים כדי לסרוק כל רצועת מתכת העוברת. האתגר הוא שרבים מהפגמים קטנים, בלתי-סדירים בצורה ודאי כמעט אינם בולטים מרקמות המשטח המורכבות. מערכות מבוססות-חוקים מסורתיות תלויות בספים מותאמים ידנית ותכונות מעובדות-יד, אשר עלולות להיפגם משינויים בתאורה, מרעשים או בתנאי הייצור. מערכות למידה עמוקה שיפרו את המצב, אך עדיין מתקשות בשני אתגרים מרכזיים: ראשית, סוגי פגמים מסוימים מופיעים לעיתים רחוקות יותר מאחרים, ולכן הדגם נוטה ללמוד יותר מהתבניות השכיחות ולהתעלם מפגמים נדירים אך חשובים; שנית, השכבות המוקדמות של הרשת לעתים מאבדות פרטים עדינים של מרקם וקצוות המבחינים בין פגם לדפוס רקע בלתי מזיק.

אסטרטגיית אימון חכמה יותר

אלגוריתם GRACE בונה על מודל גילוי עצמים מודרני ומהיר בשם YOLO11s ומוסיף שתי שיפורים מכוונים בקפידה. הראשון, הקרוי דגימת דינמית עם מנגנון דגימה מאוזנת לפי מדרון ביטחון (DS-CBSM++), משנה את אופן האימון של המודל ולא את אופן הצפייה שלו בכל תמונה. במהלך האימון, GRACE מנטר ברציפות עד כמה המודל בטוח לגבי כל סוג פגם וכמה חזק אות הלמידה, או המדרון, עבור אותה קטגוריה. סוגי פגמים נדירים או בעלי ביטחון נמוך, ותמונות שהמודל מתקשה בהן, מדגמים תדיר יותר; מקרים קלים ושכיחים מדגמים פחות. התאמת המשקלים האדפטיבית הזו עוזרת לרשת להקדיש תשומת לב מיוחדת לפגמים קשים ותת-מיצגים מבלי להכביד על המודל או להאט אותו בשימוש בשטח.

שיפור פרטים קל־משקל

השיפור השני, רשת שיפור תכונות קלת־משקל (Lite-FEN), מתמקד בפרטי התמונה שבהם שוכנים פגמים קטנים. הוא מצרף מודול תשומת-לב קומפקטי לשכבת תכונה מוקדמת, שבה הקצוות והמרקמים גלויים ביותר. באמצעות פעולות תשומת-לב בערוצים ובמישור המרחבי, Lite-FEN מחזק אותות שנראים כמבנים משמעותיים — כגון קווים דמויי סדק או שקעונים זעירים — בעוד הוא מדכא מרקם רקע לא רלוונטי. חשוב: עיבוד נוסף זה מוסיף רק מספר קטן של פרמטרים ושומר על חישוב נמוך, כך שהגלאי עדיין פועל במהירות מספיקה לבדיקות בזמן אמת בקווי ייצור.

תוצאות טובות יותר על פני מאגרי נתונים

לשם בדיקת GRACE, המחברים העריכו אותו על שלושה מאגרי נתוני פגמי משטח פלדה ציבוריים. במבחן הנפוץ NEU-DET, GRACE שיפר מדד מרכזי של דיוק (ממוצע דיוק ממוחשב) על פני דגם ה-YOLO11s הבסיסי, תוך שמירה על מהירות וגודל דגם כמעט זהים — כ־9.56 מיליון פרמטרים וכמעט 60 תמונות בשנייה ברזולוציה סטנדרטית. השיפורים היו חזקים במיוחד עבור סוגי פגמים קטנים ובעלי ניגוד נמוך כגון crazing ומשטחים עם שקעונים. ניסויים נוספים על שני מאגרים אחרים, GC10-DET ו‑X-SDD, הראו כי יתרונות GRACE אינם תלוים באוסף תמונות יחיד: הוא המשיך לזהות יותר פגמים אמיתיים ולספק מיקום חד יותר של גבולות הפגמים, גם כשהמרקמי רקע וסוגי הפגמים השתנו.

מה משמעות הדבר לתעשייה

ללא מומחיות ספציפית, המסר המרכזי הוא ש‑GRACE עוזר למערכות בדיקה אוטומטיות לראות פגמים זעירים וקשים לגילוי בצורה ברורה יותר, מבלי לדרוש מחשבים גדולים יותר או להאטת קצב הייצור. על ידי כיוון האימון לעבר דוגמאות נדירות וקשות והחדדה עדינה של המוקד של המודל על מרקמים עדינים, GRACE מצמצם הן פגמים שהוחמצו והן אזעקות שווא, במיוחד בתמונות מורכבות ורעשיות המדמות תנאי ייצור אמיתיים. אף על פי שהשיטה נבדקה עד כה בצורה לא מקוונת על מאגרי נתונים ציבוריים, עיצובה מוכן להשתלבות בקווי ייצור אמיתיים, שם היא עשויה להפוך את מוצרי הפלדה לבטוחים, אמינים ופחות מבוזבזים בתהליך הייצור.

ציטוט: Chen, L., Guo, C., Wu, X. et al. Confidence–gradient reweighting and lightweight feature enhancement algorithm for steel surface defect detection. Sci Rep 16, 5676 (2026). https://doi.org/10.1038/s41598-026-36543-w

מילות מפתח: פגמי משטח פלדה, בדיקה חזותית אוטומטית, גילוי בעזרת למידה עמוקה, גילוי אובייקטים קטנים, בקרת איכות תעשייתית