DEENet: een rand-versterkt CNN–Transformer dual-encoder model voor het detecteren van oppervlaktefouten in staal

Waarom kleine foutjes in staal ertoe doen

Van auto’s en bruggen tot huishoudelijke apparaten: het moderne leven leunt stilletjes op staal. Toch kan de betrouwbaarheid van al deze producten worden ondermijnd door fouten die zo klein zijn dat ze zelfs onder een microscoop moeilijk te zien zijn. Deze studie introduceert DEENet, een nieuw computer-visiesysteem dat subtiele oppervlaktefouten op stalen banen automatisch kan vinden met grotere nauwkeurigheid en efficiëntie dan bestaande hulpmiddelen, waardoor fabrieken problemen vroegtijdig kunnen opsporen, de veiligheid verbeteren en verspilling verminderen.

De uitdaging van het zien van kleine defecten

Staaloppervlakken lopen tijdens de productie uiteenlopende fouten op: schilferige plekken, putjes, haarfine scheurtjes, insluitsels van vreemd materiaal en krassen. Traditionele inspectie berust op menselijke werknemers of eenvoudige beeldfilters, die traag, inconsistent en gemakkelijk in de war te brengen zijn door ruisige fabrieksomgevingen. Moderne "one-shot" detectiealgoritmen zoals de YOLO-familie kunnen een afbeelding in één keer scannen, maar missen nog steeds zeer kleine of laagcontrast defecten en vervagen vaak de randen van beschadigde gebieden. Wanneer de grenzen tussen gezond en defect staal vaag zijn, schatten detectors grootte en locatie verkeerd in, wat leidt tot gemiste defecten of valse alarmen.

Het samenbrengen van twee manieren van kijken

DEENet pakt dit probleem aan door twee elkaar aanvullende manieren van beeldwaarneming te combineren. De ene tak is een klassieke convolutionele neurale netwerk (CNN), die goed is in het oppikken van fijne lokale texturen, zoals kleine putjes of dunne krassen. De andere tak is een Transformer-gebaseerd netwerk, dat het beeld in patches opsplitst en uitblinkt in het vastleggen van bredere context—hoe patronen zich verhouden over de hele stalen strip. In DEENet werken deze twee takken als twee "ogen": het ene gefocust op detail, het andere op het grotere geheel. Een op maat gemaakte Dual Channel Fusion-module mengt vervolgens hun outputs, zodat elk gebied van het beeld zowel door zijn lokale textuur als door zijn rol in de totale scène wordt beschreven. Deze kruisbestuiving maakt het systeem gevoeliger voor kleine, dicht opeengepakte defecten die oudere modellen vaak over het hoofd zien.

De omtrek van schade verscherpen

Zelfs met rijke kenmerken kunnen detectors moeite hebben om scherpe grenzen rond defecten te tekenen, vooral wanneer die geleidelijk in de achtergrond vervagen. Om dit aan te pakken, ontwerpen de auteurs een randversterkingsmodule, genaamd C2f_EEM, die zich specifiek richt op intensiteitsveranderingen bij de grenzen tussen beschadigde en onbeschadigde gebieden. Hij stuurt features door meerdere filters van verschillende afmetingen om structuren van dunne barstjes tot bredere vlekken vast te leggen, en gebruikt vervolgens een soort vergelijking van vóór en na om scherpe overgangen te benadrukken. Dit proces legt de "hoogfrequente" inhoud bloot waar randen aanwezig zijn, waardoor scheuren en putjes duidelijker uitkomen, en het doet dit met lichte berekeningen die geschikt zijn voor realtime gebruik op productielijnen.

Het systeem op de proef stellen

De onderzoekers evalueren DEENet op een veelgebruikt benchmark van stalen strips met defecten dat zes veelvoorkomende fouttypes bevat, elk met honderden voorbeeldafbeeldingen. In vergelijking met standaard YOLO-gebaseerde detectors en nieuwere Transformer-achtige modellen behaalt DEENet een hogere mean Average Precision—een samenvattende maat voor hoe vaak detecties zowel correct als goed gepositioneerd zijn—en bereikt 81,4%. De winst is vooral sterk voor de lastigste categorie, crazing, die lijkt op een fijn web van scheurtjes en doorgaans zeer laag contrast heeft. DEENet vindt niet alleen meer van deze lastige defecten, maar trekt er ook strakkere kaders omheen, terwijl de totale rekencapaciteit laag genoeg blijft voor praktische inzet. Aanvullende tests op een andere industriële dataset en op afbeeldingen met toegevoegde ruis en lichtveranderingen tonen aan dat het model nauwkeurig blijft, zelfs wanneer de omstandigheden verslechteren.

Wat dit betekent voor alledaagse producten

In eenvoudige bewoordingen laat de studie zien dat het een machine-visionsysteem twee complementaire "beelden" van hetzelfde staaloppervlak geven—en het leren randen te verscherpen—detectie van defecten slimmer en betrouwbaarder kan maken. DEENet’s verbeterde vermogen om kleine, vage fouten op te sporen en ze nauwkeurig af te bakenen kan staalproducenten helpen problemen eerder te vangen, schroot te verminderen en consistenter materiaal te leveren voor alles, van wolkenkrabbers tot smartphones. Hoewel de auteurs opmerken dat verder werk nodig is om het model te verkleinen voor energiezuinige apparaten en om het in meer uiteenlopende fabrieken te testen, markeren hun resultaten een stap richting veiligere, efficiëntere en meer geautomatiseerde kwaliteitscontrole in de zware industrie.

Bronvermelding: Pan, W., Zhong, R., Huang, J. et al. DEENet: an edge-enhanced CNN–Transformer dual-encoder model for steel surface defect detection. Sci Rep 16, 6692 (2026). https://doi.org/10.1038/s41598-026-36390-9

Trefwoorden: staaldefecten, computer vision, deep learning, kwaliteitsinspectie, industriële automatisering