MFDH-Net: רשת לגילוי פגמים לשילוב תכונות רב‑רמות ולראש פירוק חוצה‑חישה

מדוע פגמים זעירים חשובים במפעלים מודרניים

מדפי פלדה דקיקים, לוחות מעגל מודפס צפופים ופאנלים מבריקים של גופי רכבים — במפעלים של היום נעשה שימוש במשטחים שקרובים לשלמות. אפילו סדק זעיר או נקודת קורוזיה יכולים לקצר את חיי המוצר, לגרום לזיכויים או לעצור קווי ייצור. במשך שנים עובדים מסננים חלקים נעים במהירות בניסיון לזהות פגמים בעין. מאמר זה מתאר את MFDH‑Net, מערכת בינה מלאכותית חדשה שמאתרת באופן אוטומטי פגמים שקשה לראות על פני משטחים תעשייתיים, במטרה להאיץ את הבדיקות, לשפר את האמינות ולהקל על הרחבת היקף הבדיקה.

האתגר בזיהוי פגמים עדינים

פגמים תעשייתיים מטמיעים הונאה חזותית. שריטות, שקעים וכתמים עלולים להידמות למרקם או לשינויים בתאורה; חלק מהפגמים זעירים, אחרים משתרעים על אזורים גדולים; ורבים מופיעים על רקעים מורכבים ורועשים. מערכות ראייה ממוחשבת מסורתיות מתקשות כאשר סוגים שונים של פגמים נראים דומים, כאשר הפגמים קטנים וחלשים, או כאשר אובייקטים בתמונה מופיעים בגדלים רבים. המחברים מתמקדים במשטחים כגון לוחות פלדה, לוחות מעגל מודפס וחלקי גופי רכב, שבהם הבעיות חריפות במיוחד. המטרה שלהם היא לעצב מאתר שיבדיל בין תבניות "נורמליות" לבין חריגות אמיתיות — גם כאשר ההבדלים דקים ומתגלים בקנה מידה רחב של גדלים.

להתבונן מקרוב ומרחוק בו‑זמנית

MFDH‑Net מתחילה עם עמוד שדרה חדש שנקרא Dual‑domain Feature Extraction Network. הוא נבנה כדי להסתכל על כל תמונה בשתי דרכים משלימות. סניף אחד, שמונע מהקונבולוציות הקלאסיות, מתמקד בפרטים מקומיים דקים כמו קצוות ומרקמים זעירים. הסניף השני, בהשראת מודלי Transformer, לוכד יחסי מרחק ארוכי טווח ברחבי התמונה כולה, ועוזר למערכת להבין את ההקשר הרחב סביב חשד לפגם. שתי התצפיות האלה אינן נשמרות נפרדות: הרשת מאפשרת פעמים רבות לאינטראקציה בין תכונות מקומיות וגלובליות, כך ששריטה קטנה מערערת לא רק לפי הפיקסלים הסמוכים אלא גם לפי האופן שבו היא נבדלת מדפוס המשטח הכולל.

אריגת מידע על פני סולמות ומיקומים

לאחר חילוץ התכונות, המודל צריך לתאם מידע ממבנים קטנים, בינוניים וגדולים. החוקרים מציגים את Multilevel Feature Aggregation Network שמעביר אותות מעלה ומטה בין השכבות במקום בכיוון יחיד. עיצוב זה מעודד אינטראקציה עמוקה בין פרטים דקים לתבניות ברמת על, עם משקלים אדפטיביים שמנחים את המודל כמה לסמוך על כל סולם. רכיב נוסף, ה‑Spatial Semantic Fusion Module, מיישר תכונות מרזולוציות שונות כך שאזור שמסמן שריטה בשכבה אחת ייפגש בדיוק עם אותו אזור בשכבה אחרת. יישור מוקפד זה מסייע למנוע בלבול, למשל כאשר שכבה אחת מכריזה שקטע הוא פגם בעוד שכבה אחרת מגדירה אותו כרקע.

ראשים מתמחים ל"מה" ו"איפה"

זיהוי פגם מערב שתי שאלות שזימוזות זו בזו: איזה סוג פגם זה, והיכן בדיוק הוא ממוקם? MFDH‑Net מטפל בכך באמצעות Cross‑aware Decoupling Head שמפריד את העיבוד לענפים המותאמים לסיווג (ה"מה") ולמיקום מדויק (ה"איפה"). מנגנון תשומת לב חוצה‑תפיסה מדגיש עוד יותר פגמים קטנים או חלשים על‑ידי משקל מחדש של אזורים מרחביים ותעלות תכונה שצפויים להכיל פגמים, תוך דיכוי רעשי רקע. זה חשוב במיוחד לפגמים זעירים על לוחות מעגל מודפס או פאנלי רכב, שעלולים ללכת לאיבוד בתוך מרקמים והשתקפויות מורכבות.

כמה טוב המערכת מתפקדת?

החוקרים בחנו את MFDH‑Net על מספר מערכי נתונים ציבוריים ובתחומי אמת תובעניים: משטחים מפלדה, לוחות מעגל מודפס, מערך רב‑סוגי של פגמי פלדה וחלקי גופי רכב שנאספו מקו ייצור. ברוב המקרים הרשת השיגה דיוק גילוי גבוה מאוד, לעתים עולה על 94% בזיהוי ומיקום תקינים של פגמים, ובאותה עת פעלה במהירויות זמן‑אמת של כ‑52 פריימים לשנייה. מחקרים אבלאציה זהירים — שבהם מסירים רכיבים בודדים — מראים שכל חלק בעיצוב, מחילוץ תכונות בדו־מישור ועד מיזוג רב‑רמות וראש הגילוי המיוחד, תורם לשיפור מדיד. בהשוואה למגוון גלאים פופולריים, כולל מודלים קונבולוציוניים קלאסיים ומערכות היברידיות ו‑Transformer חדשות, MFDH‑Net סיפקה באופן עקבי איזון טוב יותר בין דיוק למהירות.

מה המשמעות לתעשייה החכמה?

לציבור שאינו מקצועי, המסקנה המרכזית היא ש‑MFDH‑Net מציעה דרך אוטומטית ואמינה יותר לזהות פגמים זעירים שמבקרי אדם עלולים לפספס, מבלי להאט את הייצור. על ידי שילוב ניתוח פרטים מקרוב עם מבט רחב על כל משטח, ובאמצעות חיבור קפדני של מידע על פני סולמות ומשימות, המערכת מסוגלת לסמן פגמים במוצרים מגוונים בביטחון גבוה. אמנם הגישה עדיין תלויה בנתוני אימון מתוייגים, שעלולים להיות יקרים להשגה, אך היא מצביעה לעבר מערכות בדיקה עתידיות שיתאימו במהירות למפעלים ולמוצרים חדשים. בקיצור, העבודה מקרבת את התעשייה לבדיקות איכות משטח ברמת עין מומחה — אך מהירות יותר, עקבית יותר וקלה יותר לפריסה בקנה מידה רחב.

ציטוט: Zhang, L., Yang, Z., Ma, Y. et al. MFDH-Net: defect detection network for multi-level feature fusion and cross-sensing decoupling head. Sci Rep 16, 9750 (2026). https://doi.org/10.1038/s41598-026-40568-6

מילות מפתח: גילוי פגמים תעשייתי, ראייה ממוחשבת, למידה עמוקה, בדיקת איכות, ייצור חכם