Projekt lekkiej technologii wykrywania defektów powierzchni metalu dla YOLOv7-tiny wykorzystującej algorytm bezankrowy

Dlaczego drobne uszkodzenia metalu mają znaczenie

Od nadwozia samochodu po belki w wieżowcu — blachy stalowe są wszechobecne. Jednak włosowate pęknięcia, delikatne rysy czy maleńkie jamki na tych powierzchniach mogą podstępnie osłabiać elementy, skracać ich żywotność i generować koszty dla producentów. Kontrola każdego centymetra wzrokiem jest wolna i podatna na błędy, dlatego zakłady coraz częściej sięgają po sztuczną inteligencję, by automatycznie wykrywać defekty, gdy stal przemieszcza się na liniach produkcyjnych. Artykuł przedstawia szybszy, lżejszy system widzenia maszynowego zaprojektowany do wykrywania nawet bardzo małych, trudnych do zauważenia uszkodzeń powierzchni metalu w czasie rzeczywistym.

Jak kamery i inteligentne oprogramowanie obserwują stal

Nowoczesna inspekcja defektów opiera się na cyfrowych kamerach i uczeniu głębokim: oprogramowaniu, które uczy się wzorców bezpośrednio z obrazów. Popularna rodzina takich systemów to YOLO, skrót od „You Only Look Once”, które skanuje obraz w jednym przejściu i rysuje pola wokół obiektów zainteresowania. Autorzy bazują na kompaktowej wersji zwanej YOLOv7-tiny i dostosowują ją specjalnie do przemysłowej inspekcji stali. Ich celem jest utrzymanie modelu małym i wystarczająco szybkim, by działać na ograniczonym sprzęcie, przy jednoczesnym wykrywaniu szerokiego zakresu defektów — od cienkich linii spawu i zagnieceń po okrągłe jamki i plamy — na poruszających się taśmach i płytach stalowych.

Wykrywanie defektów bez predefiniowanych ramek

Wcześniejsze wersje YOLO polegały na „anchor boxes”, zestawie wstępnie zdefiniowanych kształtów, których model używał jako punktów startowych do lokalizacji obiektów. Choć wygodne, te stałe kształty mają trudności w skrajnych przypadkach, takich jak bardzo długie, cienkie pęknięcia czy maleńkie plamki, i mogą je po prostu przeoczyć. Nowy system przechodzi na podejście „bezankrowe”: zamiast rozpoczynać od ustalonych ramek, uczy się skupiać na środku defektu, a następnie przewiduje, jak daleko jego krawędzie sięgają w czterech kierunkach. Ta zmiana czyni detektor bardziej elastycznym i lepiej dopasowanym do dziwnych kształtów i rozmiarów, jakie rzeczywiste defekty przyjmują, zwłaszcza w przemyśle ciężkim.

Uwydatnianie słabo widocznych wad

Na wielu powierzchniach stalowych defekty są ledwie jaśniejsze lub ciemniejsze od otoczenia; mogą wtapiać się w ziarno metalu niczym plama we mgle. Aby pomóc komputerowi dostrzec to, co ludzie mogą przeoczyć, autorzy stosują dwustopniowy proces zwiększania kontrastu przed detekcją. Najpierw wykorzystują transformację logarytmiczną, która rozszerza różnice w jasnych partiach obrazu w skali szarości — tam, gdzie często skupiają się zarówno stal, jak i defekty — przy jednoczesnym kompresowaniu ciemniejszych obszarów. Następnie rozciągają otrzymany zakres jasności z powrotem na pełną skalę. Razem te kroki wyostrzają subtelne tekstury związane z wadami, jednocześnie tłumiąc wzory tła, dając detektorowi wyraźniejsze wskazówki wizualne.

Mniejszy „mózg”, ostrzejsze skupienie

Aby utrzymać system lekki, badacze zastępują oryginalne jądro YOLOv7-tiny bardziej zwartą siecią o nazwie MobileNetV3-large, zaprojektowaną pierwotnie z myślą o smartfonach i urządzeniach wbudowanych. Ten „mózg” wykorzystuje wyspecjalizowane bloki konstrukcyjne, aby zmniejszyć liczbę obliczeń przy niewielkiej utracie dokładności. Dodatkowo dodają moduł uwagi, który uczy się uwypuklać ważne regiony — takie jak maleńkie defekty — ignorując jednocześnie nieistotne tło. Specjalna struktura piramidy cech łączy informacje z różnych skal obrazu, dzięki czemu system potrafi rozpoznawać zarówno małe, jak i duże wady w tym samym kadrze. Zespół również starannie przerysował oznaczenia w dwóch publicznych zbiorach obrazów z defektami, korygując brakujące lub niedokładne oznaczenia, aby system uczył się na czystszych przykładach.

Jak dobrze działa nowy system

Ulepszony detektor testowano na trzech powszechnie używanych zbiorach danych defektów metalu, obejmujących proste, syntetyczne wzory aż po złożone, rzeczywiste taśmy stalowe. W tych benchmarkach nowa konstrukcja podniosła kluczowy wskaźnik dokładności średnio o około sześć punktów procentowych w porównaniu z standardowym modelem YOLOv7-tiny, przy jednoczesnym przetwarzaniu ponad 90 obrazów na sekundę — wystarczająco szybko do inspekcji w czasie rzeczywistym w wielu zakładach. Porównała się również korzystnie z wieloma nowoczesnymi detektorami, osiągając wyższą dokładność niż kilka cięższych i nowszych modeli, gdy wszystkie były trenowane na tych samych udoskonalonych danych o defektach stali.

Co to oznacza dla codziennych produktów

Mówiąc prosto, badanie pokazuje, że można zbudować zwarty, wydajny system wizyjny, który niezawodnie wykrywa bardzo małe, nietypowo ukształtowane wady na szybko poruszających się powierzchniach metalowych. Poprzez połączenie inteligentniejszego uwypuklania defektów, bardziej elastycznego przewidywania ramek, lepszej uwagi na drobne szczegóły oraz starannego oczyszczenia danych, autorzy dostarczają narzędzie, które może pomóc producentom stali wychwycić więcej problemów zanim produkty trafią na drogę, halę produkcyjną czy plac budowy. Rezultatem jest praktyczny krok w kierunku bezpieczniejszych, bardziej niezawodnych części metalowych — oraz zakładów, w których inteligentne kamery cicho czuwają nad jakością na drugim planie.

Cytowanie: Huang, YC., Lin, JC. & Wu, YZ. Design of lightweight metal surface defect detection technology for YOLOv7-tiny using Anchor-Free algorithm. Sci Rep 16, 8601 (2026). https://doi.org/10.1038/s41598-026-39233-9

Słowa kluczowe: defekty powierzchni metalu, automatyczna inspekcja wzrokowa, detekcja obiektów w czasie rzeczywistym, lekkie uczenie głębokie, przemysłowa kontrola jakości