Lekki framework YOLO11n-seg do wykrywania pęknięć na powierzchni w czasie rzeczywistym z segmentacją

Dlaczego drobne pęknięcia mają znaczenie

Ukryte pęknięcia w drogach, mostach i budynkach mogą wydawać się niegroźne, lecz często są pierwszym sygnałem zużywania się konstrukcji. Wykrycie tych linii na wczesnym etapie może zapobiec kosztownym naprawom lub nawet katastrofalnym awariom. Tymczasem większość inspekcji nadal przeprowadza się ręcznie — pieszo lub przy wolnej jeździe, sporządzając notatki. W tej pracy badamy, jak kompaktowy system sztucznej inteligencji może w czasie rzeczywistym wykrywać i obrysowywać pęknięcia, wystarczająco szybko, by działać na dronach, małych robotach i niskomocowych czujnikach, zamiast wyłącznie w wydajnych centrach danych.

Od kontroli manualnej do widzenia maszynowego

Inżynierowie od dawna próbują automatyzować wykrywanie pęknięć, stosując tradycyjne metody przetwarzania obrazu, takie jak wykrywanie krawędzi czy progowanie. Te techniki działają w sterylnych warunkach laboratoryjnych, ale szybko zawodzą w rzeczywistym środowisku, gdzie cienie, plamy i chropowata faktura mylą proste algorytmy. Nowsze podejścia oparte na głębokim uczeniu zmieniły zasady gry: sieci neuronowe potrafią nauczyć się wyglądu pęknięć bezpośrednio z obrazów. Wczesne wersje potrafiły jedynie stwierdzić, czy niewielki fragment obrazu zawiera pęknięcie, ale miały trudności z precyzyjnym wskazaniem przebiegu pęknięcia i często były zbyt wolne do inspekcji na żywo.

Jak smukły model uczy się dostrzegać pęknięcia

Autorzy budują rozwiązanie na rodzinie modeli YOLO, popularnym zbiorze narzędzi w widzeniu komputerowym, znanym z wykrywania obiektów w jednym, szybkim przebiegu przez sieć. Skupiają się na bardzo małej wersji nazwanej YOLO11n-seg, dostosowanej do odwzorowywania dokładnego kształtu pęknięć, a nie tylko rysowania przybliżonych ramek. Model trenowany jest na zbiorze Crack-Seg, zawierającym ponad 11 000 starannie oznaczonych zdjęć dróg, gdzie każdy piksel pęknięcia jest zaznaczony. Obrazy są skalowane do standardowego formatu i wprowadzane do sieci, która stopniowo uczy się odróżniać cienkie, wijące się wzory prawdziwych uszkodzeń od nieistotnych szczegółów tła, takich jak faktura czy brud.

Sprytne sztuczki dla drobnych detali

Aby wykrywać włosowate rysy na chropowatym betonie, model wykorzystuje dwa zabiegi konstrukcyjne. Po pierwsze, specjalny blok zwany C3k2 automatycznie przełącza się między małymi i nieco większymi oknami widzenia, co pozwala śledzić zarówno bardzo cienkie, jak i dłuższe pęknięcia. Po drugie, moduł uwagi przestrzennej C2PSA uczy model skupiania się na prawdopodobnych obszarach pęknięć, jednocześnie ignorując rozproszenia takie jak plamy oleju, cienie czy wzorzyste powierzchnie. Razem te dodatki pomagają systemowi czyściej obrysowywać pęknięcia i zmniejszają ryzyko błędnego uznania skazy tła za uszkodzenie konstrukcji, przy jednoczesnym zachowaniu niewielkich rozmiarów modelu, umożliwiających jego działanie na skromnym sprzęcie.

Szybkie wyniki bez ciężkiego sprzętu

W testach lekka sieć zawiera tylko około 2,8 miliona parametrów — to niewiele w porównaniu z wieloma współczesnymi systemami głębokiego uczenia — a mimo to osiąga wydajność zbliżoną do większych, wolniejszych konstrukcji. Na benchmarku Crack-Seg poprawnie identyfikuje obszary pęknięć z precyzją około 79% i uzyskuje wysokie wyniki za dopasowanie przewidywanych kształtów pęknięć do danych referencyjnych. Co kluczowe, przetwarza każde zdjęcie w około 3,6 milisekundy na standardowym GPU, co odpowiada setkom klatek na sekundę. W porównaniu z powszechnie używanymi modelami, takimi jak U-Net, Mask R-CNN czy wcześniejszy wariant YOLO, dostarcza konkurencyjną lub lepszą dokładność segmentacji przy znacznie większej szybkości, co czyni go praktycznym do ciągłego strumieniowania wideo z dronów lub pojazdów inspekcyjnych.

W kierunku automatycznych przeglądów konstrukcji

Dla osób niebędących ekspertami najważniejszy wniosek jest taki, że praca ta pokazuje, iż możliwe jest dziś zbudowanie małych, efektywnych narzędzi AI, które nie tylko wykrywają pęknięcia, lecz także szybko odwzorowują ich dokładny kształt i rozmiar, wystarczająco szybko do monitoringu w czasie rzeczywistym. Choć ekstremalnie słabe pęknięcia przy słabym oświetleniu lub niekorzystnej pogodzie wciąż stanowią wyzwanie, proponowany system YOLO11n-seg oferuje obiecujący kompromis między szybkością a niezawodnością. Przy dalszych udoskonaleniach i integracji z wyposażeniem polowym takie modele mogą pomóc miastom i agencjom w wcześniejszym wykrywaniu uszkodzeń, priorytetyzowaniu napraw i utrzymywaniu kluczowej infrastruktury bez nadmiernej pracy ręcznej.

Cytowanie: Tiwari, S., Gola, K.K., Kanauzia, R. et al. A lightweight YOLO11n seg framework for real time surface crack detection with segmentation. Sci Rep 16, 6566 (2026). https://doi.org/10.1038/s41598-026-37073-1

Słowa kluczowe: pęknięcia infrastruktury, widzenie komputerowe, głębokie uczenie, inspekcja w czasie rzeczywistym, segmentacja YOLO