Wyjaśnialne hybrydowe ramy AI CAD do zaawansowanego przewidywania wad powierzchni stali

Dlaczego drobne defekty w stali powinny cię obchodzić

Od samochodów i statków po drapacze chmur i roboty — wiele elementów, na których polegamy na co dzień, jest wykonanych z płaskich blach stalowych. Jeśli drobne pęknięcia, ubytki czy rysy przejdą w fabryce niezauważone, mogą osłabić konstrukcje, skrócić żywotność produktów i zwiększyć koszty. W artykule opisano nowy rodzaj systemu sztucznej inteligencji, który działa jak nadzwyczaj uważny inspektor: wykrywa i wyjaśnia subtelne wady powierzchni stali dokładniej niż obecne narzędzia, pozostając jednocześnie wystarczająco szybki do zastosowań na rzeczywistych liniach produkcyjnych.

Jak dziś sprawdza się stal — i dlaczego to nie wystarcza

Tradycyjna inspekcja stali opiera się na pracownikach lub prostych regułach przetwarzania obrazu. Ludzie szybko się męczą i mogą przeoczyć słabe lub nieregularne wady. Systemy oparte na regułach zawodzą, gdy nieco zmieniają się oświetlenie, materiał lub kształt wady — a to często zdarza się w rzeczywistych zakładach. W ostatnich latach modele głębokiego uczenia, zwłaszcza rodzina detectorów YOLO, były szkolone do automatycznego znajdowania wad. Jednak takie jednofazowe systemy próbują jednocześnie wykonywać dwie różne prace: rysować precyzyjne ramki wokół wad i przypisywać im typ. Gdy wady są drobne, mają nieregularny kształt lub przypominają tło ze stali, takie połączenie zadań zwykle powoduje pominięcia lub pomyłki kategorii.

Podzielenie zadania na dwie części dla lepszego widzenia

Autorzy proponują „hybrydowe” ramy wspomagania diagnostyki (CAD), które celowo oddzielają wykrywanie wad od ich klasyfikacji. Najpierw ulepszony detektor nazwany Fusion YOLO koncentruje się tylko na prostej odpowiedzi tak/nie dla każdego regionu: czy tu jest jakiś rodzaj wady? Łączy trzy zoptymalizowane modele oparte na YOLO, w tym niestandardową odmianę DCBS-YOLO, i scala ich propozycje techniką uśredniania nakładających się ramek zamiast ich odrzucania. Pozwala to systemowi rysować bardziej wiarygodne obrysy podejrzanych obszarów, zwłaszcza gdy wady są małe, nieregularne lub słabo odróżniają się od tła.

Nauka widzenia detali i całości jednocześnie

Gdy prawdopodobne obszary wad zostaną zlokalizowane, przejmuje je drugi etap, który decyduje, jakiego rodzaju jest dana wada — na przykład pęknięciopodobna „siateczka” (crazing), ubytek, plama czy zadrapanie. W tym etapie ramy wykorzystują kombinację kilku konwolucyjnych sieci neuronowych (CNN), które dobrze wychwytują drobne tekstury, oraz Transformera Wizji (Vision Transformer), który świetnie rozpoznaje większe wzory i zależności na dużych odległościach obrazu. Ich mapy cech są łączone, tak by lokalne detale i globalny kontekst były brane pod uwagę razem. Takie rozwiązanie wyraźnie zmniejsza pomyłki między typami wad, które wyglądają podobnie dla ludzi i maszyn. Wśród kilku rodzin CNN najlepsze trio wraz z Transformerem, trenowane end-to-end, osiągnęło prawie doskonałe wyniki klasyfikacji na zestawach referencyjnych.

Oczyszczanie obrazu i automatyczne strojenie modeli

Aby dać SI najlepsze możliwe warunki, autorzy zaprojektowali potok przetwarzania wstępnego, który subtelnie poprawia obrazy stali. Poprzez korektę jasności i kontrastu, redukcję szumu i wyostrzanie krawędzi — z zachowaniem ogólnej jakości obrazu — system uwydatnia słabe wady bez tworzenia sztucznych artefaktów. Ponadto workflow oparty na MLOps automatycznie przeszukuje wiele ustawień treningowych, takich jak tempo uczenia czy rozmiary batchy, aby znaleźć najskuteczniejsze kombinacje dla wykrywania i klasyfikacji. Ta automatyzacja ogranicza metodę prób i błędów i zapewnia, że końcowe modele są bliskie swojej najlepszej możliwej wydajności w zadaniu.

Otwieranie czarnej skrzynki za pomocą wizualnych wyjaśnień

Ponieważ użytkownicy przemysłowi muszą zaufać systemowi przed jego wdrożeniem na linii, ramy zawierają narzędzia wyjaśnialnej AI. Po oznaczeniu wady metoda zwana Grad-CAM generuje mapę cieplną, która podkreśla, które części obrazu miały największy wpływ na decyzję. Kolorowe nakładki pokazują inspektorom dokładnie, gdzie SI „patrzyło”, gdy zaklasyfikowało coś jako pęknięcie lub ubytek. W przypadkach, gdy pierwszy etap wykrywania przeoczy wadę, etap klasyfikacji i jego mapy cieplne mogą nadal ujawnić podejrzane obszary, działając jak zabezpieczenie i pomagając inżynierom zrozumieć pozostałe martwe punkty.

Co wyniki oznaczają dla rzeczywistych fabryk

Testowany na dwóch szeroko stosowanych zestawach danych wad stali, nowy system przewyższył zarówno standardowe modele YOLO, jak i kilka ostatnich rozwiązań badawczych, osiągając wysoką dokładność wykrywania i wyniki klasyfikacji oraz dobrze uogólniając na nowe typy wad. Chociaż dwustopniowa konstrukcja wymaga więcej zasobów obliczeniowych i jest nieznacznie poniżej idealnej szybkości rzeczywistej, zbliża się już do liczby klatek potrzebnych na wielu liniach produkcyjnych. Autorzy twierdzą, że przy dalszym inżynierskim dopracowaniu podejście to może stać się praktycznym asystentem inspekcji: takim, który wykrywa więcej subtelnych wad, wyjaśnia swoje rozumowanie i pomaga producentom dostarczać bezpieczniejsze, bardziej niezawodne produkty oparte na stali.

Cytowanie: Moon, C., Al-antari, M.A. & Gu, Y.H. Explainable hybrid AI CAD framework for advanced prediction of steel surface defects. Sci Rep 16, 10796 (2026). https://doi.org/10.1038/s41598-025-34320-9

Słowa kluczowe: inspekcja powierzchni stali, wykrywanie wad, uczenie głębokie, widzenie komputerowe, wyjaśnialna sztuczna inteligencja