YOLO-DCF: הזיקוק הכפול והמיזוג המודע להקשר לזיהוי פגמים

עיניים חדות יותר לפגמי מפעל

מטלפונים חכמים ועד מכוניות, מוצרים מודרניים מסתמכים על מתכות ולוחות מעגל ללא רבב. ועדיין, סדקים זעירים או נקודות על המשטחים הללו עלולים להחמיץ מבחינת מבקרים אנושיים ואפילו להטעות מערכות ממוחשבות רבות. המחקר מציג כלי בינה מלאכותית חדש שנקרא YOLO-DCF, שתוכנן לזהות במהירות ובאמינות פגמים קטנים וקשים לזיהוי על פסי ייצור אמיתיים.

מדוע פגמים זעירים הם בעיה כה גדולה

משטחי תעשייה נדירים כמראה נקייה ופשוטה. רצועות פלדה מציגות פסים ומרקמים, ולוחות מעגל מודפסים צפופים בקווים ורכיבים עדינים. פגמים מגיעים בצורות וגדלים רבים, משפשופים קלושים ועד חורים חסרים, ולעתים משתלבים ברקע עמוס או רועש. עיבוד תמונה מסורתי עלול להחמיץ ליקויים עדינים, בעוד שמודלי למידה עמוקה רבים זקוקים למערכי נתונים מסומנים עצומים ועלולים להתקשות כאשר התאורה, החומרים או דפוסי הפגמים משתנים במפעל.

דרך חכמה יותר לקרוא את התמונה המלאה

YOLO-DCF מבוסס על משפחת גלאים בזמן אמת פופולרית ומשנה את האופן שבו המודל מבין את ההקשר בתמונה. מרכיב חדש, שנקרא מודול מיזוג מונחה-הקשר, מסתכל קודם כל לאורך כיוונים אופקיים ואנכיים כדי לתפוס את הסידור הרחב יותר של קווים ואזורים הנפוצים ברצועות פלדה ולוחות מעגל. הוא משלב לאחר מכן פרטים מקומיים עדינים עם המבט הרחב הזה, כך שסימנים קטנים מתפרשים בקשר לסביבתם — מה שמפחית בלבול מרקעים ומשפר את הסיכוי לתפוס פגמים בעלי ניגוד נמוך.

התמקדות בכמה קנה מידה במקביל

חידוש מרכזי נוסף הוא בלוק שייר מרובה-קנה מידה שמאפשר לרשת לבחון כל אזור דרך כמה עדשות וירטואליות בו־זמנית. נתיבים מקבילים במודל מתמקדים במרקמים מקומיים צפופים, בצורות בגודל בינוני ובמבנים גדולים יותר, בעוד שלב של שינוי תצורה מאוחר יותר מאחד את הנתיבים לצורה פשוטה יותר לשימוש מהיר. העיצוב הזה עוזר למערכת לזהות גם סדקים דקיקים וגם כתמים גדולים יותר מבלי להפוך לכבד מדי להפעלה בזמן אמת, ושומר על המודל קומפקטי מספיק לפריסה בחומרה תעשייתית טיפוסית.

ללמד מודל קטן לחשוב כמו גדול

כדי לשמור על יעילות המערכת, המחברים משתמשים באסטרטגיית זיקוק כפול, שבה גרסה עוצמתית יותר של אותה רשת מנחה גרסה קלת משקל. במקום להעתיק רק תחזיות סופיות, מודל התלמיד לומד כיצד המורה מקשר אזורים שונים בתמונה זה עם זה וכיצד הוא מפזר תשומת לב בין ערוצי התכונה. על ידי התאמת היחסים המרחביים בין בלוקים והדגשים בתוך כל ערוץ, המודל הקטן משמר חלק גדול מיכולות המורה להדגיש פגמים מקומיים וזעירים בעודו נשאר מהיר ועמיד מבחינת משאבים.

מבחנים בשטח

החוקרים העריכו את YOLO-DCF על שני מערכי מבחן מקובלים נרחבים: תמונות משטחי פלדה עם שישה סוגי פגמים וקבוצה של תמונות לוחות מעגל סינתטיות עם שישה קטגוריות תקלות. בשניהם המערכת החדשה השיגה ציוני זיהוי גבוהים יותר מאשר קו בסיס חזק תוך הוספת מספר פרמטרים צנוע בלבד. היא הראתה שיפורים בולטים עבור ליקויים דקים ובעלי ניגוד נמוך כמו סדקים עדינים בפלדה וקצרים בלוחות. בדיקות עם טשטוש תנועה ורעשים עוד הציעו שהשיטה עמידה יותר לבעיות דימוי תעשייתיות נפוצות, ושומרת על דיוק זיהוי כאשר התמונה מטושטשת או גרעינית.

מה המשמעות הזו למפעלים אמיתיים

לא למומחה, המסקנה היא ש-YOLO-DCF מציע סט עיניים זהיר ומודע-הקשר יותר לבדיקות אוטומטיות. בשילוב של הבנת סצנה רחבה יותר, התמקדות מרובת-קנה מידה והעברה יעילה של ידע, הוא יכול להבדיל טוב יותר פגמים אמיתיים ממרקם תמים ועדיין לפעול במהירויות זמן אמת. האיזון הזה בין דיוק, מהירות וגודל המודל הופך אותו למועמד מבטיח לפריסה על קווי ייצור שבהם הן תקלות שלא נראו והן אזעקות שווא מסתכמות בעלויות גבוהות.

ציטוט: Xing, H., Yang, Z. YOLO-DCF: dual distillation and context-aware fusion for defect detection. Sci Rep 16, 15897 (2026). https://doi.org/10.1038/s41598-026-46602-x

מילות מפתח: זיהוי פגמים תעשייתיים, בדיקת משטחים, ראייה ממוחשבת, למידה עמוקה, בקרת איכות