Automatyzacja bezpieczeństwa przemysłowego w czasie rzeczywistym z wykorzystaniem architektur YOLO operujących w różnych domenach chromatycznych

Inteligentniejsze oko na hali produkcyjnej

Ukryte wady w spawach metalowych mogą zmienić solidne maszyny, mosty lub rurociągi w ciche zagrożenia. Tradycyjnie wyszkoleni inspektorzy oglądają rozgrzane szwy metalu, próbując dostrzec drobne pęknięcia lub ubytki zanim doprowadzą do awarii. Niniejszy artykuł bada, jak sztuczna inteligencja może przejąć dużą część tej obserwacyjnej pracy, używając szybkiego oprogramowania rozpoznającego obrazy do badania spawów w czasie rzeczywistym, nawet gdy elementy przesuwają się na taśmie. Porównując kilka wersji popularnego detektora AI o nazwie YOLO oraz testując, jak różne sposoby reprezentacji koloru wpływają na jego „wzrok”, autorzy wskazują drogę do bezpieczniejszych i bardziej wydajnych zakładów.

Dlaczego wykrywanie złych spawów jest takie trudne

Na ruchliwej linii produkcyjnej spawy różnią się kształtem, połyskiem i zakłóceniami tła. Na jednym obrazie może występować kilka spawów i defektów, co sprawia, że prosta klasyfikacja obrazu („dobry” lub „zły” ogółem) jest zbyt prymitywna. System musi więc znaleźć i oznaczyć konkretne problematyczne obszary wzdłuż szwu. Autorzy koncentrują się na trzech praktycznych kategoriach — dobry spaw, zły spaw i jawny defekt — ponieważ każda wymaga innej reakcji, od akceptacji części po natychmiastową poprawę. Wykorzystują publicznie dostępną bazę ponad sześciu tysięcy anotowanych zdjęć spawów, co zapewnia, że AI jest trenowana i testowana na realistycznym zakresie powierzchni, warunków oświetleniowych i typów wad.

Nauka maszyn, by spojrzały raz i zadecydowały

Badanie skupia się na rodzinie modeli detekcji obiektów YOLO („You Only Look Once”), znanej ze skanowania obrazu jednoprzebiegowo i rysowania ramek wokół wykrytych obiektów. Naukowcy porównują trzy generacje: YOLOv3, YOLOv5 oraz najnowsze YOLOv8. Każda wersja poprawia szybkość i dokładność dzięki głębszym sieciom i mądrzejszym strategiom uczenia. Aby lepiej odzwierciedlić wyzwania oświetleniowe prawdziwych fabryk, zespół przekształca też każde zdjęcie spawu do czterech różnych przestrzeni barw — RGB (znane czerwono–zielono–niebieskie), HSV, LAB i YCbCr — i trenuje odrębne modele na każdej z nich. To wielospektralne podejście pozwala postawić precyzyjne pytanie: czy zmiana sposobu kodowania koloru pomaga AI wyraźniej dostrzec defekty?

Kolor, prędkość i dokładność w praktyce

We wszystkich eksperymentach widoczny jest jeden schemat: najnowszy model YOLOv8 przewyższa swoje poprzedniki. Trenując na standardowych obrazach RGB, YOLOv8 osiąga znormalizowaną średnią precyzję (mAP@0.5) na poziomie 0,592, co jest zauważalnie wyższym wynikiem niż w przypadku YOLOv3 i YOLOv5 w tych samych warunkach. W praktyce oznacza to lepsze zarówno wykrywanie, jak i poprawne oznaczanie obszarów spawów. Model jest też wyjątkowo szybki, przetwarzając około 138 obrazów na sekundę na nowoczesnej karcie graficznej — znacznie powyżej 30 klatek na sekundę, które często uznaje się za próg czasu rzeczywistego. Spośród przestrzeni barw RGB konsekwentnie daje najsilniejsze wyniki dla wszystkich trzech wersji YOLO, podczas gdy HSV, LAB i YCbCr pozostają w tyle. Te alternatywne reprezentacje mogą uwypuklać pewne cechy wizualne, ale w tym zastosowaniu nie przewyższają prostoty i informacji zawartych w RGB.

Od testów laboratoryjnych do krawędzi fabrycznej

Aby zademonstrować wykonalność w rzeczywistych warunkach, autorzy wdrażają uproszczony model YOLOv8 na urządzeniu edge opartym na Raspberry Pi połączonym z taśmociągiem i kamerą. Gdy spawane części przesuwają się pod obiektywem, system przechwytuje klatki, oczyszcza je za pomocą podstawowego przetwarzania wstępnego i uruchamia detekcję lokalnie, klasyfikując każdy spaw jako dobry, zły lub wadliwy. Wyniki są zapisywane w bazie danych i wyświetlane na pulpicie dla inspektorów, którzy mogą oglądać znaczniki defektów na żywo oraz długoterminowe trendy jakościowe. Ponadto ramy systemu mogą generować rekomendacje, takie jak sugestie dotyczące regulacji prędkości spawania lub napięcia, czy sygnalizować konieczność konserwacji sprzętu na podstawie powtarzających się defektów.

Co to oznacza dla bezpieczniejszej produkcji

Dla laika kluczowy wniosek jest prosty: praca ta pokazuje, że lekki, nowoczesny model AI może niezawodnie i bardzo szybko wskazywać ryzykowne spawy w rzeczywistych warunkach przemysłowych, zwłaszcza używając zwykłych obrazów z kamer RGB. YOLOv8 okazuje się wystarczająco dokładny, by rozróżnić wyraźnie złe spawy i na tyle szybki, by nadążyć za szybkimi liniami produkcyjnymi, a jednocześnie działać na skromnym sprzęcie blisko maszyn. Autorzy twierdzą, że tego typu zautomatyzowana inspekcja z uwzględnieniem koloru może zmniejszyć błąd ludzki, wykrywać problemy wcześniej i wspierać bezpieczniejszą, bardziej spójną produkcję. Dalsze udoskonalenia — takie jak bogatsze dane treningowe i lepsze radzenie sobie z subtelniejszymi typami wad — mogłyby uczynić tych cyfrowych inspektorów codziennym elementem bezpieczeństwa przemysłowego.

Cytowanie: Pati, N., Sharma, A., Gourisaria, M.K. et al. A real-time industrial safety automation using YOLO architectures leveraging diverse chromatic domains. Sci Rep 16, 7253 (2026). https://doi.org/10.1038/s41598-026-37869-1

Słowa kluczowe: wykrywanie defektów spawów, automatyzacja bezpieczeństwa przemysłowego, YOLOv8, wizja komputerowa w czasie rzeczywistym, edge AI