רשת קונבולוציה עם מיזוג רב-קני ותזוזת דילציה מדורגת לגילוי בזמן אמת של עצמים בולטים בפגמי פני שטח בסרגל פלדה

מדוע פגמים זעירים בפלדה חשובים

מקורות מבנים כמו שלדות רכבים וגשרים נוצרים מדי יום מלוחות פלדה ארוכים. גם שברים זעירים או שריטות על סרגלי הפלדה עלולים להחליש את המוצר הסופי או לגרום לעלויות תיקון גבוהות. בדיקה ויזואלית של כל סנטימטר אינה אפשרית בקצב התעשייה, ולכן המפעלים מסתמכים על ראייה ממוחשבת. מחקר זה מציע שיטה חדשה לניתוח תמונה שמאתרת ליקויים פני שטח בסרגל פלדה במהירות ובאמינות המספיקות לעמידה בקווי ייצור אמיתיים.

לראות מה בולט

המחברים מתמקדים במשימה שנקראת גילוי עצמים בולטים, שבה שואלים את המחשב להדגיש את האזורים המושכים את העין ביותר בתמונה. בסרגל פלדה, אזורים אלה בדרך כלל הם פגמים כגון כתמים, חלקים פגומים או שריטות. שיטות קודמות המבוססות על למידה עמוקה מבצעות משימה זו טוב יותר ממסנני תמונה בעבודת יד, אך רבות מהן איטיות מדי או כבדות מדי לשימוש בזמן אמת. אחרות מתקשות כאשר גודל הפגמים משתנה או כאשר התאורה שונה, תופעה נפוצה בסביבות מפעל פעילות.

להסתכל על הפרטים ועל התמונה הרחבה

כדי להתמודד עם הבעיות הללו, החוקרים תכננו רשת חדשה בשם MSFNet-PD. בליבה, הרשת מפרקת תמונת קלט למספר שכבות תכונות, כאשר כל אחת לוכדת רמת פירוט שונה. רעיון מרכזי הוא מיזוג רב-קני: המודל בוחן גם טקסטורות מקומיות עדינות וגם צורות רחבות בו-זמנית, ואז מאחד את המידע הזה. זה עוזר להבחין בין שריטה חלשה לטקסטורה רגילה ולהכיר כתמים בלתי סדירים שלא מתאימים לתבנית הפלדה הרגילה. במקום להשתמש בלוקי תשומת-לב כבדים, העיצוב מסתמך על חיבורים פשוטים ויעילים שומרים על חישוב קל.

צעד החוצה עם מבטים מדורגים

רעיון שני הוא דילציה מדורגת. במונחים פשוטים, המודל מתחיל בבחינת שכנות קטנות של פיקסלים ולאט לאט מרחיב את המבט ככל שהתכונות מתקיימות בעומק הרשת. ההגדלה הצעדית של "שדה הראייה" מאפשרת למערכת לחוש בפגמים קטנים וגדולים מבלי לטשטש קצוות חשובים. באמצעות סידור זהיר של מסנני דילציה, הרשת לוכדת שריטות ארוכות ודקות, הכללות זעירות וכתמים רחבים תוך שמירה על גבולות ברורים בין אזורים פגועים וללא פגיעה.

מהיר מספיק לקו הייצור

הצוות בוחן את MSFNet-PD על מאגר ציבורי של תמונות סרגל פלדה הכולל שלושה סוגי פגמים עיקריים. הם משווים אותו למגוון רחב של מודלים קיימים, ממערכות כבדות בעלות דיוק גבוה ועד כאלה קלות במיוחד המכוילות למהירות. הגישה שלהם משיגה איזון חזק: היא מתאימה או מתחרה ברבים מהשיטות המדויקות תוך ריצה הרבה יותר מהירה מרובן, מעבדת אלפי תמונות לשנייה על מעבד גרפי מודרני. ניסויים זהירים מראים ששילוב גדלים שונים של דילציה ומיזוג תכונות ברב-קנה הם קריטיים לאיזון הזה בין מהירות ודיוק.

מה זה אומר לתעשייה

עבור קורא שאינו מומחה, המסקנה היא שהמחקר מציע "מוח" מצלמה חכם יותר לקווי בדיקת הפלדה. MSFNet-PD יכול לסרוק רצועות מתכת נעות בזמן אמת, להדגיש פגמים אפשריים בקווי מתאר חדים, ולעשות זאת באמצעות כוח מחשוב צנוע. אף שהמחברים מציינים שנדרשים בדיקות נוספות על חומרים ומפעלים אחרים, התוצאות שלהם מצביעות על כך שעיצובים קלים משקל ורב-קניים כאלה יכולים לסייע ליצרנים לזהות ליקויים מוקדם ובצורה מהימנה יותר, לשפר בטיחות ולהפחית בזבוז בלי להאט את הייצור.

ציטוט: Zhang, Z., Zou, Y., Liu, X. et al. Multi-scale fusion convolution network with progressive dilation for real-time salient object detection of surface defects on strip steel. Sci Rep 16, 15387 (2026). https://doi.org/10.1038/s41598-026-43386-y

מילות מפתח: פגמי סרגל פלדה, גילוי עצמים בולטים, בדיקה בזמן אמת, למידה עמוקה, ראייה תעשייתית