SFD-YOLO do wykrywania uderzeń małych fragmentów w testach płyty celowej głowicy bojowej

Dostrzeganie najmniejszych śladów uderzenia

Gdy głowica bojowa detonuje w kontrolowanym teście, inżynierowie oceniają jej rzeczywiste zagrożenie, badając drobne ślady pozostawione przez fragmenty na dużych metalowych płytach. Obecnie inspekcja ta często odbywa się ręcznie — jest powolna, męcząca i podatna na błędy, zwłaszcza gdy większość śladów uderzeń to ledwie widoczne kropki. W artykule przedstawiono podejście oparte na sztucznej inteligencji, nazwane SFD-YOLO, które automatycznie wykrywa te maleńkie rysy w czasie rzeczywistym, nawet przy obecności kurzu, mgły, rozmycia i zmiennego oświetlenia, obiecując szybsze i bardziej niezawodne oceny bezpieczeństwa i wydajności.

Dlaczego drobne otwory mają znaczenie

W testach głowic bojowych metalowe płyty celowe ustawiane są w pierścień wokół ładunku wybuchowego. Po detonacji fragmenty o dużej prędkości uderzają w płyty, powodując albo czyste przelotowe otwory, albo płytkie wgniecenia przy uderzeniu jedynie w powierzchnię. Zliczając, gdzie i ile pojawia się każdego typu, inżynierowie mogą wywnioskować, jak fragmenty rozprzestrzeniają się w przestrzeni i jak bardzo zagrażałyby rzeczywistemu sprzętowi. Jednak ślady są bardzo małe i gęsto skupione, a otwarte pola testowe wypełnione są kurzem, odblaskami i niekorzystną pogodą. Inspektorzy ludzie i tradycyjne narzędzia do przetwarzania obrazu mają trudności z nadążeniem, co utrudnia uzyskanie dokładnych, terminowych pomiarów.

Nauczenie sieci, by spojrzała raz — ale uważnie

Nowoczesne systemy wykrywania obiektów oparte na uczeniu głębokim potrafią w ułamku sekundy przeskanować obrazy i narysować ramki wokół elementów zainteresowania. Wśród nich rodzina algorytmów YOLO jest znana z dobrego kompromisu między szybkością a dokładnością. Standardowe wersje jednak zwykle pomijają bardzo małe obiekty zajmujące zaledwie kilka pikseli — dokładnie tak jak na zdjęciach uderzeń fragmentów. Aby temu zaradzić, autorzy rozbudowali najnowszy model YOLOv11 i dostosowali go specjalnie pod kątem drobnych śladów na błyszczącym metalu, przeprojektowując kilka kluczowych komponentów tak, by sieć zwracała większą uwagę na subtelne detale, nie stając się przy tym zbyt duża ani wolna.

Wyostrzenie uwagi na kropeczki i ryski

Pierwsza poprawka dotyczy sposobu, w jaki sieć przetwarza surowe obrazy. Autorzy wprowadzili blok przetwarzania cech, który oczyszcza sygnał widziany przez sieć w dwóch wymiarach jednocześnie: gdzie cechy pojawiają się na obrazie i które kanały niosą najbardziej przydatne informacje. Ten blok tłumi powtarzające się lub bezużyteczne wzorce oraz wzmacnia subtelne krawędzie i faktury sugerujące prawdziwe uderzenie. Dodano też lekkie moduły ekstrakcji, utrzymujące model kompaktowym dzięki bardziej efektywnym operacjom, tak by mógł działać szybko na standardowym sprzęcie, jednocześnie zachowując delikatne sygnały pochodzące od maleńkich śladów fragmentów.

Postrzeganie na wielu skalach jednocześnie

Ponieważ drobne uderzenia łatwo zanikają, gdy obrazy są wielokrotnie zmniejszane wewnątrz sieci neuronowej, autorzy przeprojektowali też część decyzyjną systemu. Zamiast analizować trzy poziomy szczegółu, SFD-YOLO dodaje czwartą, wyższą rozdzielczością warstwę poświęconą najmniejszym śladom. Specjalna struktura piramidy cech stopniowo łączy drobne detale z płytkich warstw z szerszym kontekstem z głębszych warstw, pomagając sieci śledzić zarówno lokalizację śladu, jak i sposób, w jaki wyróżnia się on z tła. Efekt to system zdolny rozróżnić przelotowe otwory od wgnieceń powierzchniowych, nawet gdy są one ciasno skupione na refleksyjnej płycie.

Weryfikacja systemu

Aby trenować i ocenić swoją metodę, badacze zebrali dedykowany zbiór zdjęć z rzeczywistych eksperymentów statyczno-wybuchowych, obejmujący tysiące zdjęć wysokiej rozdzielczości płyt celowych i ręcznie oznakowali ponad dwadzieścia tysięcy śladów. Prawie dziewięć na dziesięć śladów w tym zbiorze kwalifikuje się jako „małe” według powszechnych standardów wizji komputerowej, co czyni go wymagającym polem testowym. SFD-YOLO nie tylko przewyższa szereg popularnych modeli detekcji, w tym kilka wariantów YOLO i systemy oparte na transformatorach, lecz robi to z nieco ponad dwoma milionami regulowanych parametrów, przetwarzając przy tym ponad sto obrazów na sekundę. Model zachowuje też lepszą odporność niż najbliższe bazowe metody, gdy obrazy są rozmyte, przyciemnione, rozjaśnione lub pokryte syntetyczną mgłą i pyłem, które imitują trudne warunki polowe.

Od pól testowych do hal produkcyjnych

Mówiąc wprost, badanie pokazuje, że starannie dostrojona sieć neuronowa może wykrywać i klasyfikować uszkodzenia wielkości ukłuć na dużych metalowych płytach z bardzo wysoką niezawodnością, robiąc to wystarczająco szybko, by użyć jej w trybie czasu rzeczywistego podczas testów wybuchowych. SFD-YOLO zamienia niegdyś mozolne ręczne liczenie na zautomatyzowane, odporne narzędzie pomiarowe. Poza oceną głowic bojowych te same pomysły można zastosować w innych sytuacjach, w których drobne uszkodzenia na powierzchniach metalu mają znaczenie — na przykład przy kontroli walcowanej stali, sprzętu sieci energetycznych czy innych komponentów przemysłowych w celu wykrycia defektów, które łatwo umykają ludziom i standardowym algorytmom.

Cytowanie: Liu, H., Ding, Y., You, W. et al. SFD-YOLO for small-object fragment impact detection in warhead target-plate testing. Sci Rep 16, 9291 (2026). https://doi.org/10.1038/s41598-026-40457-y

Słowa kluczowe: wykrywanie małych obiektów, testy uderzeń fragmentów, inspekcja powierzchni metalu, sieci neuronowe YOLO, wykrywanie wad przemysłowych