Metoda wykrywania wad powierzchni aluminium lotniczego oparta na wieloskalowej konwolucji i mechanizmie uwagi

Dlaczego drobne defekty w metalu mają znaczenie

Od płatów skrzydeł po ramy smartfonów — części aluminiowe muszą być niemal idealne. Mikroskopijne rysy, pęcherzyki w farbie czy maleńkie zagłębienia na powierzchni metalu mogą rozwinąć się w pęknięcia zagrażające bezpieczeństwu, skracać żywotność produktu lub powodować kosztowne akcje wycofania. Kontrola każdej części wzrokowo jest powolna i obarczona błędami, a nawet wiele zautomatyzowanych systemów wciąż nie wykrywa najdrobniejszych defektów. Niniejsze badanie przedstawia nową metodę sztucznej inteligencji, która potrafi bardziej niezawodnie i z prędkością przemysłową wykrywać ekstremalnie małe wady na powierzchniach aluminium.

Ukryte zagrożenia na gładkim metalu

Profile aluminiowe to długie pręty i panele stosowane w kadłubach samolotów, skrzydłach, zbiornikach paliwa i wielu innych konstrukcjach. Choć mogą wyglądać na gładkie, ich powierzchnie mogą zawierać szeroką gamę problemów: nieszczelności w warstwach ochronnych, obszary o zaburzonej przewodności, fakturę typu "pomarańczowa skórka", rysy, plamy brudu, pęcherzyki farby, smugi natrysku, zagłębienia i nieszczelności na krawędziach. Te wady często mają tylko kilka pikseli szerokości na obrazie o wysokiej rozdzielczości i mogą zlewać się z refleksami lub szumem tła. Tradycyjne inspekcje, zarówno wykonywane przez ludzi, jak i przez starsze systemy wizyjne, mają trudności z odróżnieniem takich drobnych śladów od nieszkodliwej faktury, szczególnie przy złożonym oświetleniu i tle.

Nauczyć kamerę patrzeć raz, ale uważnie

W ostatnich latach systemy detekcji obiektów oparte na głębokim uczeniu — zwłaszcza rodzina YOLO ("You Only Look Once") — zyskały popularność w zakładach produkcyjnych do wykrywania wad. YOLOv11, niedawna wersja, jest już szybka i dokładna dla wielu zadań, ale wciąż ma tendencję do pomijania bardzo małych defektów w aluminium. Autorzy bazują na lekkim wariancie YOLOv11n i przeprojektowują jego wewnętrzne warstwy, by zwracały większą uwagę na drobne detale bez nadmiernego spowolnienia. Ich podejście łączy trzy główne pomysły: inteligentniejsze przechwytywanie wzorców na wielu skalach jednocześnie, mechanizm umożliwiający sieci skupienie się na najbardziej informacyjnych pikselach oraz ostrożniejszą metodę powiększania małych wzorców, aby model ich nie utracił podczas przetwarzania.

Widzieć detale na wielu skalach

Pierwszą innowacją jest przeprojektowany moduł ekstrakcji cech, nazwany C3k2-DWR-DRB, który zastępuje standardowy blok w YOLOv11n. W codziennym ujęciu blok ten pozwala sieci spojrzeć na ten sam fragment obrazu na kilku "poziomach zoomu" jednocześnie — bardzo z bliska dla mikrorys, trochę szerzej dla pęcherzyków farby i jeszcze szerzej dla plam czy zmian koloru. Wykorzystuje specjalne konwolucje z rozszerzeniem (dilated convolutions) oraz technikę łączenia kilku ścieżek filtrów w jedną wydajną, dzięki czemu model może dostrzegać zarówno drobne tekstury, jak i większe kształty, nie stając się ciężkim ani powolnym. Płytkie warstwy skupiają się na włosowatych rysach, podczas gdy głębsze śledzą szerokie defekty, takie jak plamy oleju, poprawiając rozpoznawanie zarówno małych, jak i dużych wad w jednym zunifikowanym systemie.

Pomoc modelowi w koncentracji na istotnym

Następnie badacze dodają moduł uwagi o nazwie SimAM blisko końca sieci. Zamiast wprowadzać wiele nowych parametrów, SimAM ocenia, jak ważny jest każdy niewielki obszar mapy cech, mierząc, jak bardzo różni się od otoczenia. Obszary wyróżniające się — takie jak subtelny pęcherzyk czy drobinka brudu — są wzmocnione, podczas gdy jednorodne fragmenty tła są stłumione. Dzięki temu detektor staje się bardziej czuły na rzeczywiste wady i mniej podatny na rozproszenie przez refleksy czy nieszkodliwą fakturę, co z kolei zmniejsza liczbę przeoczonych wykryć i fałszywych alarmów.

Odtwarzanie drobnych wzorców bez ich rozmywania

Trzecim kluczowym elementem jest operator upsamplingu CARAFE, który zastępuje zwykłe metody "rozciągania" stosowane w wielu sieciach neuronowych. Standardowe techniki, takie jak najbliższy sąsiad czy interpolacja biliniowa, mogą rozmywać właśnie te detale, które najważniejsze są dla małych wad. CARAFE uczy się natomiast, jak rekonstruować cechy na podstawie lokalnego kontekstu, decydując w istocie, jak każdy nowy piksel powinien być utworzony z sąsiadów. Ta świadoma treścią rekonstrukcja tworzy ostrzejsze, bardziej informacyjne mapy małych obiektów, dzięki czemu pęcherzyki, zagłębienia i drobinki są łatwiejsze do wykrycia przez model.

Testowanie metody

Aby ocenić swój system, autorzy wykorzystali publiczny przemysłowy zbiór obrazów powierzchni aluminium z internetowego konkursu i starannie sprawdzili wszystkie etykiety wad. Rozszerzyli też zbiór danych o niewielkie rotacje, odbicia lustrzane i skalowanie, aby model widział defekty w różnych warunkach. Na tym benchmarku ulepszony model YOLOv11n osiągnął średnią precyzję (mAP) na poziomie 79,4% przy powszechnie stosowanym progu oraz czułość (recall) 76,6%, co oznacza, że znajduje więcej prawdziwych wad niż oryginalny YOLOv11n, zachowując jednocześnie kompaktowość modelu. Szczególnie silne wzrosty zanotowano dla trudnych, małych i "ekstremalnie małych" celów, takich jak pęcherzyki farby i plamy brudu, a system utrzymywał prędkość czasu rzeczywistego — około 178 klatek na sekundę na wydajnej karcie graficznej.

Co to oznacza dla codziennej technologii

Dla osób niebędących specjalistami wniosek jest prosty: autorzy stworzyli mądrzejsze, lżejsze "oko" dla fabryk — system kamera+algorytm, który potrafi w czasie rzeczywistym zauważać niemal niewidoczne wady na powierzchniach aluminium. Dzięki sprytnemu połączeniu analizy wieloskalowej, mechanizmu uwagi i ostrożnego upsamplingu ich metoda poprawia zarówno dokładność, jak i niezawodność, nie wymagając ogromnych zasobów obliczeniowych. Po dalszych testach w trudniejszych warunkach rzeczywistych i adaptacji do energooszczędnego sprzętu podejście to mogłoby przyczynić się do zwiększenia bezpieczeństwa i niezawodności samolotów, pojazdów, elektroniki i innych produktów metalowych, jednocześnie zmniejszając odpady i koszty inspekcji.

Cytowanie: Zhang, R., Cai, S., He, Z. et al. Aerospace aluminum surface defect detection method based on Multi-Scale Convolution and attention mechanism. Sci Rep 16, 6428 (2026). https://doi.org/10.1038/s41598-026-37293-5

Słowa kluczowe: wady powierzchni aluminium, inspekcja przemysłowa, wykrywanie za pomocą głębokiego uczenia, detekcja obiektów YOLO, materiały lotnicze