מסגרת קלה לגילוי ליקויים מטלוגרפיים באמצעות אוריינות מובנית ותשומת לב רגישת‑אנרגיה תחת הפרעות גבולות גרעין חזקות

מדוע פגמים זעירים בפלדה חשובים

מגלגלי שיניים ברכב ועד לצינורות בלחץ גבוה, הרבה מהמכונות היומיומיות נשענות על חומר נפוץ: פלדת פחמן נמוכה שלרוב מסומנת AISI 1020. לפני שממהרים לסמוך על פלדה זו, מהנדסים בודקים פרוסות מוחלקות ומאוכלות תחת מיקרוסקופ כדי להעריך את המבנה הפנימי של המתכת. אך אם משטח הדגימה עצמו מוכתם, מסורטט או לא אחיד, ליקויי הכנה אלה עלולים להתחפש לבעיות חומר אמיתיות. המאמר מציג כלי בינה מלאכותית חדש, קל משקל, שיכול לזהות במהירות ובאמינות ליקויי הכנה עדינים אלה, גם כשהם כמעט נשאבים ברקע עסוק של דפוסי גרעין מיקרוסקופיים.

האתגר של ראיית פגמים מרעמים

בהגדלה גבוהה, הפלדה נראית כמוזאיקה של אזורים קטנים הנקראים גרעינים, המופרדים ברשתות מורכבות של גבולות גרעין. גבולות אלה יוצרים מרקם צפוף ובעל ניגודיות גבוהה שמתחזק בקלות את האותות החלשים של ליקויי הכנה כגון כתמי מים, שאריות נוזל חיטוי או משטחים לא אחידים קמלים. מודלי ראייה ממוחשבת סטנדרטיים, כולל גלאי YOLO הפופולריים, מניחים שאובייקטים בולטים בצורה ברורה מהסביבה. במטלוגרפיה לעתים קרובות המצב הפוך: הרקע חזק ומובנה, בעוד שהליקויים חלשים ובלתי סדירים בצורתם ובגודלם. כאשר תמונות נמעכות שוב ושוב בתוך רשת עמוקה, אותות חלשים אלה נוטים להישחק, מה שמוביל לאי‑גילוי או לבלבול בין מרקם חסר־פגע לבין פגם אמיתי.

מסגרת גילוי מותאמת למטלוגרפיה

כדי להתמודד עם האתגר הזה, המחברים פיתחו RSS‑YOLOv10, ענף מותאם של גלאי הזמן‑אמיתי האחרון YOLOv10, מכוונן במיוחד לתמונות מיקרוסקופיות של פלדה. הם התחילו מהגרסה הקטנה ביותר — ה"ננו" של YOLOv10 — כדי לשמור על קומפקטיות ולהימנע מהתאמה יתרה לדפוסי הגרעין המורכבים. בנוסף, הם עיצבו מחדש בלוקים מרכזיים במחלץ התכונות ובשלבי מיזוג התכונות של הרשת, כך שהמערכת תוכל לטפל בשינויים קיצוניים בגודל הליקוי, מפיטים זעירים ועד כתמים רחבים, מבלי להפוך לכבדת חישובית. הם גם שמרו על אסטרטגיית האימון מקצה לקצה של YOLOv10, שמנעה שלב עיבוד לאחרי ארוך זמן והייתה מתאימה לבדיקות תעשייתיות מהירות.

איך הרכיבים החדשים עובדים יחד

הלב של RSS‑YOLOv10 הוא מודול חדש בשם RepHMA, שמחליף בלוקים סטנדרטיים בגב הרשת. RepHMA מעבד כל חתיכת תמונה דרך מספר מסלולים מקבילים ש"מביטים" בשכונות בגדלים שונים, ולאחר מכן מאחד אותם לבלוק יחיד ויעיל לשימוש בזמן הגילוי. מבט רב‑קנה‑מידתי זה עוזר למודל ללכוד גם נקודות זעירות וגם אזורים מטושטשים גדולים יותר. מרכיב שני, מנגנון התשומת לב SimAM, פועל כסינון שמשווה כל אזור קטן לסביבתו ומגביר את אלה שמתבלטים משמעותית מרקע הגרעין החוזר. חשוב, ש‑SimAM עושה זאת מבלי להוסיף פרמטרים ניתנים לאימון, ובכך שומר על אופיו הקל של המודל. לבסוף, מקטע "SlimNeck" שעוצב מחדש ממזג מידע מרמות רזולוציה שונות באמצעות קונבולוציות נבחרות שממרנות פרטים שימושיים ובו בזמן מצמצמות חישוב מיותר.

בנייה ובדיקה על נתוני פלדה ממשיים

מכיוון שאוספי תמונות מטלוגרפיים קיימים בדרך‑כלל מתמקדים בדגימות אידיאליות וללא ליקויים, הצוות בנה מאגר בדיקה משלו בשם 20 S‑PDD. הוא מכיל למעלה מ‑1,200 תמונות מיקרוסקופ של 20 דגימות פלדה שומשו במעבדה, עם שלושה סוגי ליקויי הכנה שמצוינים בקפידה על ידי מומחים: כתמי מים, שאריות נוזל קורוזיבי ואזורי משטח לא אחידים. המחברים אילפו והעריכו את RSS‑YOLOv10 על מאגר זה והשוו אותו לגרסת היסוד YOLOv10n ולמספר גלאים ידועים, כולל Faster R‑CNN, SSD, YOLOv5, YOLOv8 ומודל ממיר זמן‑אמיתי מבוסס טרנספורמר. הם גם בחנו את השיטה על מאגר ציבורי נפרד של ליקויי משטח פלדה בקנה‑מידה גדול כדי לבדוק עד כמה היא כללית מעבר לתמונות מיקרוסקופיות.

מה מראים התוצאות

במאגר המטלוגרפי 20 S‑PDD, RSS‑YOLOv10 השיג דיוק גבוה יותר, זיהוי חוזר טוב יותר ומדדי דיוק כלליים גבוהים יותר מכל דגמי ההשוואה, והגדיל את ממוצע הדיוק ב‑mAP בכמעט ארבע נקודות אחוז על פני ה‑YOLOv10n תוך שימוש בפחות פעולות נקודה‑שקול (FLOPs). הוא היה יעיל במיוחד בהבחנה בין כתמים ושאריות קורוזיביות לבין מרקם הגרעין הסובב, והקטין הן פגמים שלא זוהו והן אזעקות שווא. גם במאגר NEU‑DET של ליקויי משטח פלדה, המודל עלה על הבסיס, מה שמראה כי בחירות העיצוב הבסיסיות חסונות לסוגים שונים של תמונות מתכת מרקמיות. ויזואליזציות של "מפת החום" הפנימיות של המודל מאשרות כי הוא מתמקד בחוזקה בליקויים אמיתיים ובמייניהם להתעלם ברובו מגבולות הגרעין.

מדוע זה חשוב להתנהלות היומיומית

למעבדות מטלוגרפיה ומהנדסי בקרת איכות, המסגרת המוצעת מציעה דרך לסרוק באופן אוטומטי דגימות מוכנות לאיתור ליקויי הכנה לפני ניתוח עמוק יותר של המיקרו‑מבנה האמיתי של הפלדה. מאחר ש‑RSS‑YOLOv10 קומפקטי ויעיל, ניתן להריצה בזמן אמת על חומרת שולחן תקנית או על התקנים משובצים, מה שהופך אותו מעשי לשימוש שגרתי לצד מיקרוסקופים קיימים. למרות שהעבודה הנוכחית מתמקדת בדרגת פלדה אחת ובמערך דגימות מוגבל, הגישה פותחת נתיב לבדיקות אוטומטיות רחבות יותר של איכות מטלוגרפית, מצמצמת עייפות ואי‑עקביות אנושית ומגנה על מדידות המשך שעליהן נשענות החלטות הנדסיות קריטיות לבטיחות.

ציטוט: Shen, Z., Deng, Q., Wu, Z. et al. A lightweight metallographic defect detection framework via structured priors and energy-aware attention under strong grain boundary interference. Sci Rep 16, 10969 (2026). https://doi.org/10.1038/s41598-026-45556-4

מילות מפתח: גילוי ליקויים מטלוגרפיים, מיקרו‑מבנה פלדה, ביקורת למידת עומק, מיקרוסקופיה אוטומטית, זיהוי עצמים YOLO