Un algoritmo YOLOv11 leggero migliorato per il rilevamento dei difetti sulla superficie delle saldature

Perché anche piccole imperfezioni nelle saldature contano

Dai ponti e dalle navi ai grattacieli e ai gasdotti, innumerevoli strutture metalliche si affidano a giunzioni saldate per rimanere sicure e resistenti. Tuttavia, le superfici di queste saldature possono nascondere piccoli difetti — come porosità, crepe o residui di scoria — che possono evolvere in guasti gravi se non vengono individuati. Ispezionare ogni saldatura a mano è lento, costoso e soggetto a errori umani, soprattutto in ambienti produttivi intensi. Questo articolo presenta un sistema di visione artificiale più rapido e snello, denominato YOLO-Air, progettato per individuare automaticamente e in tempo reale i difetti delle superfici di saldature, anche su hardware industriale con risorse limitate.

Limiti degli strumenti tradizionali di controllo

Per decenni, l’ispezione delle saldature si è basata su metodi fisici come radiografie, ultrasuoni, polveri magnetiche e correnti parassite. Queste tecniche possono rivelare difetti interni e superficiali, ma comportano compromessi: rischi di radiazione e requisiti di protezione per la radiografia, dipendenza dall’operatore per gli ultrasuoni e limitazioni legate al materiale per prove magnetiche e con correnti parassite. Hanno inoltre difficoltà con oggetti a forma complessa e con variazioni ambientali come luce, temperatura o contaminazione superficiale. Con la crescente domanda industriale di controllo qualità rapido e continuo, questi strumenti tradizionali da soli non sono più sufficienti.

L’ascesa delle telecamere intelligenti per le saldature

I progressi recenti nel deep learning hanno reso possibile rilevare difetti direttamente dalle immagini, usando algoritmi originariamente sviluppati per il riconoscimento di oggetti di uso quotidiano. Tra questi, i detector one-stage come la famiglia YOLO sono particolarmente attraenti per le fabbriche perché combinano buona accuratezza e alta velocità. Tuttavia, le immagini di saldature presentano sfide particolari: sfondi affollati di ruggine, macchie e rivestimenti; difetti estremamente piccoli e ravvicinati; e molteplici tipi di difetto che variano per forma e texture. I modelli standard spesso non riescono a cogliere imperfezioni sottili, confondono il rumore con danni reali o sono così pesanti da risultare difficili da distribuire su GPU modeste o dispositivi embedded.

Un cervello più snello per occhi più acuti

Gli autori partono dall’ultimo modello YOLOv11 e lo rimodellano in YOLO-Air, una versione ottimizzata per individuare efficacemente i difetti delle superfici delle saldature. Iniziano rivedendo il backbone, la parte della rete che elabora per prima l’immagine. Un nuovo blocco di estrazione delle caratteristiche combina due idee: un meccanismo "ghost" che riutilizza trasformazioni semplici per generare mappe di feature aggiuntive a basso costo, e un filtro dinamico che si adatta a ciascun input, enfatizzando i pattern associati a difetti reali e attenuando i dettagli di sfondo distraenti. Questo conferisce al modello una comprensione più ricca dei difetti di diverse dimensioni e forme senza aumentare il carico computazionale.

Accelerare il flusso informativo

Successivamente, il team alleggerisce la parte centrale della rete, nota come neck, responsabile della fusione tra informazioni globali più grossolane e dettagli locali più fini. Sostituiscono operazioni più pesanti con convoluzioni raggruppate e miscelate (grouped e shuffled) che incoraggiano la condivisione di informazioni tra i canali riducendo il calcolo superfluo. Un blocco di aggregazione riprogettato snellisce ulteriormente il modo in cui le feature a diverse scale vengono combinate. Questi cambiamenti riducono la ridondanza nel processing richiesto al modello, permettendogli di tenere traccia di difetti minuti distribuiti su una superficie saldata rumorosa mantenendo al contempo elevate velocità operative.

Un livello di uscita snello per l’uso in tempo reale

Infine, gli autori semplificano la detection head — la parte del sistema che trasforma le feature interne in bounding box e decisioni di difetto. Invece di applicare convoluzioni complete a ogni canale, adottano uno schema parziale che elabora solo un sottoinsieme di canali e lascia passare gli altri invariati. Questo riduce una quota significativa dei parametri del modello e delle operazioni in virgola mobile, preservando al contempo le informazioni essenziali per localizzare e classificare i difetti. Il risultato è un rilevatore compatto e reattivo, adatto al monitoraggio on-line nelle linee di produzione dove ogni millisecondo conta.

Quanto è efficace il nuovo sistema

Per valutare YOLO-Air, i ricercatori lo testano su due dataset pubblici di difetti su superfici metalliche: uno focalizzato sulle saldature e un altro su difetti generali in nastri d’acciaio. Confrontato con una serie di modelli di rilevamento classici e moderni — incluse più versioni di YOLO e architetture basate su transformer — YOLO-Air offre il miglior equilibrio tra accuratezza, velocità e dimensione del modello. Sulle immagini di saldature migliora la qualità del rilevamento di circa un punto percentuale rispetto al baseline YOLOv11, riducendo nel contempo il numero di parametri di oltre il 17% e il carico computazionale di quasi un terzo. Mantiene inoltre diverse centinaia di frame per secondo di throughput, soddisfacendo agevolmente i requisiti in tempo reale. Test statistici confermano che questi miglioramenti non sono dovuti al caso.

Cosa significa per l’industria

In termini pratici, YOLO-Air dimostra che è possibile costruire un sistema di ispezione delle saldature sia intelligente sia parsimonioso, capace di funzionare su schede grafiche comuni o processori embedded senza compromettere l’affidabilità. Distinguendo meglio i difetti reali dal semplice rumore superficiale e rilevando imperfezioni molto piccole, può ridurre sia i problemi non rilevati sia le riparazioni non necessarie. Pur non essendo ancora stato distribuito su larga scala nelle fabbriche, lo studio indica un percorso chiaro verso ispettori compatti basati su telecamere che sorvegliano continuamente la qualità di strutture saldate critiche.

Citazione: 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

Parole chiave: rilevamento difetti delle saldature, visione industriale, deep learning leggero, rilevamento oggetti YOLO, automazione ispezione qualità