אלגוריתם YOLOv11 משופר וקל לזיהוי פגמי פני שטח ריתוך

מדוע פגמים זעירים בריתוכים חשובים

גשרים וספינות ועד גורדי שחקים וצינורות — אינספור מבני מתכת מסתמכים על חיבורי ריתוך כדי לשמור על בטיחות ועמידות. פני השטח של ריתוכים עלולים להסתיר פגמים קטנים — כמו נקבוביות, סדקים או חלקיקי סלאג — שיכולים לגדול לכשל חמור אם לא יתגלה אותם. בדיקה ידנית של כל ריתוך איטית, יקרה ורגישה לטעויות אנוש, במיוחד במפעלי ייצור פעילים. מאמר זה מציג מערכת ראייה ממוחשבת מהירה וקומפקטית, בשם YOLO-Air, שנועדה לזהות פגמי פני ריתוך באופן אוטומטי ובזמן אמת, גם על חומרה תעשייתית מוגבלת משאבים.

מגבלות של כלי בדיקה מסורתיים

בעשורים האחרונים בדיקות ריתוך התבססו על שיטות פיזיות כמו רנטגן, אולטרסונוגרפיה, אבקות מגנטיות וזרמי אדדי. טכניקות אלה יכולות לחשוף פגמים פנימיים ושטחיים, אך הן מלוות בתשלומי מחיר: סכנות קרינה ודרישות מיגון ברדיוגרפיה, תלות במפעיל באולטרסאונד והמגבלות על סוגי חומרים בבדיקות מגנטיות וזרמי אדדי. הן גם מתקשות להתמודד עם עצמים בעלי צורות מורכבות ועם תנאי סביבה משתנים כגון תאורה, טמפרטורה או זיהום פני שטח. ככל שהדרישה לתכנון איכות מהיר ורציף בתעשייה גדלה, הכלים הישנים לבדם כבר אינם מספיקים.

עליית המצלמות החכמות לריתוכים

התקדמות בלמידה עמוקה הפכה אפשרי לזהות פגמים ישירות מתוך תמונות, באמצעות אלגוריתמים שפיתחו במקור לזיהוי עצמים יומיומי. מבין אלה, גלאי שלב-אחד כמו משפחת YOLO מושכים במיוחד מפעלים מכיוון שהם משלבים דיוק טוב עם מהירות גבוהה. עם זאת, תמונות ריתוך מציבות אתגרים לא שגרתיים: רקעים עמוסים חלודה, כתמים וציפויים; פגמים קטנים וצפופים מאוד; וסוגי פגמים מרובים המשתנים בצורה ובמרקם. מודלים מוכנים לשימוש נוטים либо לפספס פגמים עדינים, לטעות בין רעש לנזק אמיתי, או להיות כבדים מדי לפריסה על GPUs פשוטים או מכשירים משובצים.

מוח צר יותר לעיניים חדות יותר

המחברים בונים על דגם YOLOv11 העדכני ומשנים אותו ל-YOLO-Air, גרסה המותאמת במיוחד לזיהוי פגמי פני ריתוך ביעילות. הם מתחילים בעיבוד מחדש של ה-backbone — החלק ברשת שמעבד את התמונה בהתחלה. בלוק חדש לחילוץ תכונות משלב שתי רעיונות: מנגנון "גוסט" (ghost) המייצר מפות תכונה נוספות באמצעות טרנספורמציות פשוטות בעלות נמוכה, ומנגנון פילטר דינמי המתאים לכל קלט, מדגיש דפוסים הקשורים לפגמים אמיתיים וממעיט בחשיבות פרטים רקעיים מטרידים. כך מקבל המודל הבנה עשירה יותר של פגמים בגדלים וצורות שונות מבלי להגדיל את העומס החישובי.

האצת זרימת המידע

לאחר מכן הצוות מקל על החלק התיכון של הרשת, ה"נק" (neck), שאחראי למיזוג מידע גס וגלובלי עם פרטים עדינים ומקומיים. הם מחליפים פעולות כבדות בקונבולוציות מקובצות ומשולבות (grouped and shuffled) שמעודדות ערוצי מידע לשתף מידע תוך צמצום חישוב לא נחוץ. בלוק אגגרגציה מעוצב מחדש מפשט עוד יותר את הדרך שבה תכונות בסקלאות שונות מתמזגות. השינויים יחד מקטינים חזרהיות במה שהמודל צריך לעבד, ומאפשרים לו לעקוב אחר פגמים זעירים הפזורים על פני ריתוך רעשי ועדיין לפעול במהירות גבוהה.

שכבת פלט דחוסה לשימוש בזמן אמת

לבסוף, המחברים מפשטים את ראש הגילוי — החלק במערכת שהופך תכונות פנימיות לתיבות חיצוניות והחלטות לגבי פגמים. במקום להחיל קונבולוציות מלאות על כל הערוצים, הם משתמשים בסכימה חלקית שמעבדת רק תת־קבוצה של ערוצים ומעבירה את השאר ללא שינוי. גישה זו מקצרת חלק נכבד מהפרמטרים והפעולות הנומריות של המודל, תוך שמירה על המידע החיוני למיקום וסיווג פגמים. התוצאה היא גלאי קומפקטי ותגובה מהירה, מתאים לניטור מקוון בקווי ייצור שבהם כל מילישנייה חשובה.

כמה טוב המערכת החדשה מתפקדת

להערכת YOLO-Air החוקרים בוחנים אותה על שני מאגרי נתונים ציבוריים של פגמי משטח מתכת: אחד המתמקד בריתוכים ואחד בפגמי סרט פלדה כללי. בהשוואה למערך דגמי גילוי קלאסיים ומודרניים — כולל מספר וריאציות של YOLO ועיצובים מבוססי טרנספורמר — YOLO-Air מספקת את האיזון הטוב ביותר בין דיוק, מהירות וגודל מודל. בתמונות ריתוך היא משפרת את איכות הגילוי בכחיזוקה של נקודת אחוז מעל קו היסוד של YOLOv11, תוך קיצוץ מספר הפרמטרים ביותר מ-17 אחוז והפחתת העומס החישובי בכמעט שליש. היא גם שומרת על תעבורה של כמה מאות פריימים לשנייה, ועונה בקלות על צרכי זמן אמת. מבחנים סטטיסטיים מאשרים כי השיפורים אינם מקריים.

מה משמעות הדבר לתעשייה

באופן מעשי, YOLO-Air מראה שאפשר לבנות מערכת בדיקת ריתוכים שהיא חכמה וחסכונית כאחד, שמסוגלת לפעול על כרטיסי גרפיקה סטנדרטיים או מעבדים משובצים מבלי לוותר על אמינות. באמצעות יכולת הפרדה טובה יותר בין פגמים אמיתיים לבין בלגן פני שטח ותפיסה של פגם זעיר, היא עשויה להפחית גם פגמים חסרים וגם תיקונים מיותרים. אף שהמודל עדיין לא יושם בקנה מידה מלא במפעלי ייצור, המחקר מצביע על מסלול ברור לקראת בודקים מבוססי מצלמות קומפקטיים שישמרו באופן רציף על איכות מבני ריתוך קריטיים.

ציטוט: Zhang, R., Pan, C., Chen, Z. et al. An improved lightweight YOLOv11 algorithm for weld surface defect detection. Sci Rep 16, 11440 (2026). https://doi.org/10.1038/s41598-026-41568-2

מילות מפתח: זיהוי פגמים בריתוך, ראייה תעשייתית, למידה עמוקה קלת משקל, זיהוי עצמים YOLO, אוטומציה לבדיקת איכות