Een verbeterd lichtgewicht YOLOv11-algoritme voor detectie van lasoppervlakdefecten

Waarom kleine onregelmatigheden in lasnaden ertoe doen

Van bruggen en schepen tot wolkenkrabbers en pijpleidingen: talloze metalen constructies vertrouwen op gelaste verbindingen om veilig en sterk te blijven. De oppervlakken van deze lassen kunnen echter kleine gebreken verbergen — zoals poriën, scheurtjes of ingesloten slakrestanten — die, als ze onopgemerkt blijven, kunnen uitgroeien tot ernstige storingen. Elke las handmatig inspecteren is traag, kostbaar en gevoelig voor menselijke fouten, vooral in drukke fabrieksomgevingen. Dit artikel introduceert een snellere, slankere computer-visionoplossing, genaamd YOLO-Air, ontworpen om lasoppervlakdefecten automatisch en in realtime te detecteren, zelfs op hardware met beperkte middelen.

Beperkingen van traditionele inspectiemethoden

Decennialang leunde lasinspectie op fysieke testmethoden zoals röntgenstraling, ultrasoon, magnetische poeders en wervelstroomonderzoek. Deze technieken kunnen interne en oppervlaktefouten aan het licht brengen, maar kennen compromissen: stralingsrisico’s en beschermingsvereisten bij radiografie, operatorafhankelijkheid bij ultrasoononderzoek en materiaalsbeperkingen bij magnetische en wervelstroomtests. Ze hebben ook moeite met objecten met complexe vormen en met variaties in de omgeving zoals licht, temperatuur of verontreinigingen op het oppervlak. Nu de industrie vraagt om snelle, continue kwaliteitscontrole, zijn deze traditionele hulpmiddelen alleen niet langer toereikend.

De opkomst van slimme camera’s voor lassen

Recente vooruitgang in deep learning maakt het mogelijk defecten rechtstreeks uit beelden te detecteren, met algoritmen die oorspronkelijk voor alledaagse objectherkenning zijn ontwikkeld. Vooral zogeheten one-stage detectors uit de YOLO-familie zijn aantrekkelijk voor fabrieken omdat ze een goede balans tussen nauwkeurigheid en snelheid bieden. Lasbeelden stellen echter bijzondere eisen: achtergronden vol roest, vlekken en coatings; uiterst kleine en dicht opeengepakte defecten; en meerdere defecttypen die in vorm en textuur variëren. Kant-en-klare modellen missen subtiele gebreken, verwarren ruis met echte schade of zijn zo zwaar dat ze moeilijk inzetbaar zijn op bescheiden GPU’s of ingebedde apparaten.

Een slanker brein voor scherpere waarneming

De auteurs bouwen voort op het nieuwste YOLOv11-model en vormen het om tot YOLO-Air, een versie die specifiek is afgestemd op effectieve detectie van lasoppervlakdefecten. Ze beginnen met het herontwerpen van de backbone, het gedeelte van het netwerk dat het beeld eerst verwerkt. Een nieuw functie-extractieblok combineert twee ideeën: een "ghost"-mechanisme dat eenvoudige transformaties hergebruikt om extra featuremaps tegen lage kosten te genereren, en een dynamisch filtermechanisme dat zich aanpast aan elke invoer, waardoor patronen die bij echte defecten horen worden benadrukt en storende achtergronddetails worden onderdrukt. Dit geeft het model een rijker begrip van defecten in verschillende maten en vormen zonder de rekenbelasting te verhogen.

Versnellen van informatiestroom

Vervolgens verlichten de onderzoekers het midden van het netwerk, bekend als de neck, dat verantwoordelijk is voor het samenvoegen van grove globale informatie met fijne lokale details. Ze vervangen zwaardere bewerkingen door gegroepeerde en geschudde convoluties die kanalen aanmoedigen informatie te delen terwijl onnodige berekeningen worden verminderd. Een herontworpen aggregatieblok stroomlijnt verder hoe features op verschillende schalen worden gecombineerd. Samen verminderen deze aanpassingen redundantie in wat het model moet verwerken, waardoor het in staat blijft kleine defecten over een rumoerig lasoppervlak te volgen terwijl het toch zeer snel blijft draaien.

Een compact uitvoerlaag voor realtime gebruik

Tenslotte vereenvoudigen de auteurs de detectiekop — het deel van het systeem dat interne features omzet in begrenzende rechthoeken en defectbeslissingen. In plaats van volledige convoluties op elk kanaal toe te passen, gebruiken ze een deelschema dat slechts een subset van kanalen verwerkt en de rest ongewijzigd doorgeeft. Dit scheelt een groot deel van de parameters en floating-point-bewerkingen van het model, terwijl de essentiële informatie om defecten te lokaliseren en te classificeren behouden blijft. Het resultaat is een detector die compact en responsief is, waardoor hij geschikt is voor online monitoring op productielijnen waar elke milliseconde telt.

Prestaties van het nieuwe systeem

Om YOLO-Air te evalueren testen de onderzoekers het op twee openbare datasets van metaaloppervlakte-defecten: één gericht op lassen en een andere op algemene staalbandfouten. In vergelijking met een reeks klassieke en moderne detectiemodellen — waaronder verschillende versies van YOLO en op transformatoren gebaseerde ontwerpen — levert YOLO-Air de beste balans tussen nauwkeurigheid, snelheid en modelgrootte. Bij lasbeelden verbetert het de detectiekwaliteit met ongeveer één procentpunt ten opzichte van de YOLOv11-baseline, terwijl het aantal parameters met meer dan 17 procent wordt verminderd en de rekenbelasting met bijna een derde afneemt. Het handhaaft ook een doorvoer van enkele honderden frames per seconde, waardoor realtime-eisen gemakkelijk worden gehaald. Statistische toetsen bevestigen dat deze verbeteringen niet door toeval zijn veroorzaakt.

Wat dit voor de industrie betekent

In praktische zin toont YOLO-Air aan dat het mogelijk is een lasinspectiesysteem te bouwen dat zowel slim als zuinig is en kan draaien op gangbare grafische kaarten of ingebedde processors zonder betrouwbaarheid op te offeren. Door echte defecten beter te onderscheiden van onschadelijke oppervlaktestoor en door zeer kleine foutjes op te sporen, kan het zowel gemiste problemen als onnodige reparaties verminderen. Hoewel het model nog niet op grote schaal in fabrieken is uitgerold, suggereert de studie een duidelijke weg naar compacte, camera-gebaseerde inspectiesystemen die continu de kwaliteit van kritieke gelaste constructies bewaken.

Bronvermelding: 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

Trefwoorden: detectie van lasfouten, industriële beeldvorming, lichtgewicht deep learning, YOLO-objectdetectie, automatisering van kwaliteitsinspectie