Przeskalowanie wag według gradientu ufności i lekki algorytm wzmocnienia cech do wykrywania wad powierzchni stali

Bardziej wyostrzone oko dla jakości stali

Od samochodów i mostów po smartfony — współczesne życie zależy od stali o niewielkiej liczbie wad. Drobne zarysowania, zagłębienia czy inkluzje na powierzchni stali mogą osłabić produkty lub skrócić ich żywotność, a jednocześnie te usterki bywają tak małe i słabo kontrastowe, że nawet zaawansowane kamery i oprogramowanie je przeoczają. W artykule przedstawiono GRACE, nową metodę widzenia komputerowego, która pomaga systemom zautomatyzowanej inspekcji wykrywać te subtelne wady bardziej niezawodnie i szybciej, z myślą o poprawie bezpieczeństwa i efektywności produkcji.

Dlaczego drobne wady trudno wychwycić

W hutach stali i fabrykach elektroniki zespoły kontroli jakości polegają na szybkich kamerach i algorytmach skanujących każdą taśmę metalu przepływającą przez linię. Problem polega na tym, że wiele wad jest malutkich, nieregularnych i ledwie odcina się od złożonej tekstury powierzchni stali. Tradycyjne systemy regułowe opierają się na ręcznie dobieranych progach i cechach, które łatwo zaburzyć zmianami oświetlenia, szumem czy warunkami produkcji. Systemy oparte na uczeniu głębokim poprawiły sytuację, ale nadal zmagają się z dwoma kluczowymi problemami: po pierwsze, niektóre typy wad występują znacznie rzadziej niż inne, więc model uczy się głównie na powszechnych wzorcach i ignoruje rzadkie, lecz istotne usterki; po drugie, wczesne warstwy sieci często tracą drobne tekstury i krawędzie, które odróżniają wadę od nieistotnego tła.

Mądrzejsza strategia uczenia

Algorytm GRACE bazuje na nowoczesnym, szybkim modelu wykrywania obiektów o nazwie YOLO11s i dodaje dwa celowane udoskonalenia. Pierwsze, nazwane Dynamic Sampling with Confidence-Gradient Balanced Sampling Mechanism (DS-CBSM++), zmienia sposób treningu modelu, a nie to, jak analizuje poszczególne obrazy. W trakcie uczenia GRACE nieustannie monitoruje, jak bardzo model jest pewny wykryć dla każdej klasy oraz jak duży sygnał uczenia, czyli gradient, występuje dla tej klasy. Rzadkie lub niskopewne typy wad i obrazy, które model uważa za trudne, są próbkowane częściej; łatwe, nadreprezentowane przypadki — rzadziej. Ta adaptacyjna zmiana wag pomaga sieci zwrócić większą uwagę na trudne, niedoreprezentowane wady, nie zwiększając znacząco rozmiaru modelu ani nie spowalniając działania w zastosowaniach produkcyjnych.

Lekka poprawa szczegółów

Drugie udoskonalenie, Lightweight Feature Enhancement Network (Lite-FEN), skupia się na detalach obrazu, w których występują małe wady. Do wczesnej warstwy cech — tam, gdzie krawędzie i tekstury są najlepiej widoczne — dołącza kompaktowy moduł uwagi. Poprzez proste operacje uwagi kanałowej i przestrzennej, Lite-FEN wzmacnia sygnały przypominające znaczące struktury — na przykład linie podobne do pęknięć czy drobne zagłębienia — jednocześnie tłumiąc nieistotną teksturę tła. Co ważne, to dodatkowe przetwarzanie dodaje tylko niewielką liczbę parametrów i utrzymuje niskie obciążenie obliczeniowe, dzięki czemu detektor nadal działa wystarczająco szybko do inspekcji w czasie rzeczywistym na liniach produkcyjnych.

Lepsze wykrywanie w różnych zbiorach danych

Aby przetestować GRACE, autorzy ocenili go na trzech publicznych zbiorach danych wad powierzchni stali. Na szeroko stosowanym benchmarku NEU-DET GRACE poprawił kluczowy wskaźnik dokładności (mean average precision) w porównaniu z bazowym modelem YOLO11s, zachowując niemal taką samą prędkość i rozmiar modelu — około 9,56 miliona parametrów i blisko 60 obrazów na sekundę przy standardowej rozdzielczości. Zyski były szczególnie duże dla małych, słabo kontrastowych typów wad, takich jak pęknięcia sieciowe i powierzchnie z jamkami. Dodatkowe eksperymenty na dwóch innych zbiorach, GC10-DET i X-SDD, pokazały, że zalety GRACE nie były związane z pojedynczym zbiorem obrazów: dalej wykrywał więcej rzeczywistych wad i dawał ostrzejszą lokalizację granic uszkodzeń, nawet gdy tekstury tła i typy wad się zmieniały.

Co to oznacza dla przemysłu

Dla osoby niezajmującej się specjalistycznie tematem kluczowy wniosek jest taki, że GRACE pomaga systemom zautomatyzowanej inspekcji wyraźniej dostrzegać drobne, trudne do zauważenia wady, bez konieczności stosowania większych komputerów czy spowalniania linii produkcyjnej. Poprzez ukierunkowanie treningu na rzadkie i trudne przykłady oraz delikatne wyostrzenie uwagi modelu na drobnych teksturach, GRACE ogranicza zarówno przeoczenia wad, jak i fałszywe alarmy, zwłaszcza na złożonych, zaszumionych obrazach przypominających rzeczywiste warunki fabryczne. Choć metoda była jak dotąd testowana offline na publicznych zbiorach, jej konstrukcja jest gotowa do integracji z liniami produkcyjnymi, gdzie może uczynić produkty stalowe bezpieczniejszymi, bardziej niezawodnymi i mniej marnotrawnymi w produkcji.

Cytowanie: Chen, L., Guo, C., Wu, X. et al. Confidence–gradient reweighting and lightweight feature enhancement algorithm for steel surface defect detection. Sci Rep 16, 5676 (2026). https://doi.org/10.1038/s41598-026-36543-w

Słowa kluczowe: wady powierzchni stali, zautomatyzowana inspekcja wzrokowa, wykrywanie z użyciem uczenia głębokiego, wykrywanie małych obiektów, kontrola jakości w przemyśle