MFDH-Net: sieć wykrywająca wady z łączeniem cech wielopoziomowych i głowicą rozdzielającą między zmysłami

Dlaczego drobne wady mają znaczenie we współczesnych fabrykach

Od ultracienkich blach stalowych po gęsto upakowane płytki drukowane i błyszczące panele karoserii — współczesne zakłady produkcyjne polegają na niemal doskonałych powierzchniach. Nawet pęknięcie włosowate czy drobna plamka korozji mogą skrócić żywotność produktu, wywołać akcję zwrotną lub zatrzymać linię produkcyjną. Przez lata pracownicy wpatrywali się w szybko przesuwające się elementy, próbując dostrzec takie wady gołym okiem. W artykule opisano MFDH‑Net, nowy system sztucznej inteligencji, który automatycznie wykrywa trudno dostrzegalne defekty na powierzchniach przemysłowych, mając na celu przyspieszenie inspekcji, zwiększenie jej niezawodności i łatwiejsze skalowanie.

Wyzwanie wykrywania subtelnych defektów

Wady przemysłowe potrafią wprowadzać w błąd. Rysy, zagłębienia i plamy mogą przypominać zwykłą fakturę lub zmiany oświetlenia; niektóre wady są mikroskopijne, inne obejmują rozległe obszary; wiele występuje na złożonym, zakłóconym tle. Tradycyjne systemy wizji komputerowej mają trudności, gdy różne typy defektów wyglądają bardzo podobnie, gdy wady są małe i słabo widoczne, lub gdy obiekty na obrazie występują w wielu skalach. Autorzy koncentrują się na powierzchniach takich jak blachy stalowe, płytki drukowane i elementy karoserii samochodowych, gdzie te problemy są szczególnie ostre. Ich celem jest zaprojektowanie detektora, który potrafi oddzielić „normalne” wzory od naprawdę nieprawidłowych, nawet gdy różnice są subtelne i występują w szerokim zakresie skal.

Patrząc jednocześnie z bliska i z daleka

MFDH‑Net zaczyna od nowego rdzenia nazwanego Dual‑domain Feature Extraction Network. Został zaprojektowany tak, by analizować każdy obraz na dwa komplementarne sposoby. Jedna gałąź, inspirowana klasycznymi sieciami splotowymi, koncentruje się na drobnych lokalnych szczegółach, takich jak mikrokrawędzie i faktury. Druga gałąź, inspirowana modelami Transformer, wychwytuje długozasięgowe relacje w całym obrazie, pomagając systemowi zrozumieć szerszy kontekst wokół podejrzanej wady. Te dwa spojrzenia nie są od siebie odseparowane: sieć wielokrotnie pozwala na interakcję między cechami lokalnymi i globalnymi, dzięki czemu mała rysa jest oceniana nie tylko przez natychmiastowe piksele, ale też przez to, jak kontrastuje z ogólnym wzorem powierzchni.

Przeplatanie informacji przez skale i pozycje

Po wyekstrahowaniu cech model musi pogodzić informacje pochodzące z małych, średnich i dużych struktur. Autorzy wprowadzają Multilevel Feature Aggregation Network, który przekazuje sygnały w górę i w dół między warstwami, zamiast tylko w jednym kierunku. Taka konstrukcja sprzyja głębokiej interakcji między drobnymi detalami a wzorcami wysokiego poziomu, z adaptacyjnymi wagami informującymi model, na ile ufać danej skali. Dodatkowy element, Spatial Semantic Fusion Module, wyrównuje cechy z różnych rozdzielczości, tak aby obszar oznaczający rysę w jednej warstwie pokrywał się dokładnie z tym samym obszarem w innej. To staranne wyrównanie pomaga uniknąć nieporozumień, jak na przykład sytuacji, gdy jedna warstwa klasyfikuje obszar jako defekt, a inna jako tło.

Specjalizowane głowice dla „czego” i „gdzie”

Identyfikacja defektu wiąże się z dwoma powiązanymi pytaniami: jakiego rodzaju jest to wada i gdzie dokładnie się znajduje? MFDH‑Net rozwiązuje to za pomocą Cross‑aware Decoupling Head, który rozdziela przetwarzanie na gałęzie dostrojone do klasyfikacji ("czego") i precyzyjnej lokalizacji ("gdzie"). Mechanizm uwagi cross‑perception dodatkowo uwypukla małe lub słabe wady przez ponowne ważenie regionów przestrzennych i kanałów cech, które prawdopodobnie zawierają defekty, jednocześnie tłumiąc zakłócające tło. Jest to szczególnie ważne dla drobnych niedoskonałości na płytkach drukowanych czy panelach samochodowych, które w przeciwnym razie mogłyby zaginąć w złożonych fakturach i refleksach.

Jak dobrze działa system?

Naukowcy przetestowali MFDH‑Net na kilku wymagających zbiorach publicznych i rzeczywistych: powierzchniach stalowych, płytkach drukowanych, zestawie wielotypowych wad stali oraz elementach karoserii zebranych z linii produkcyjnej. W tych testach sieć osiągnęła bardzo wysoką skuteczność wykrywania, często przekraczając 94% w poprawnym identyfikowaniu i lokalizowaniu defektów, przy jednoczesnym działaniu w czasie rzeczywistym rzędu około 52 klatek na sekundę. Skrupulatne badania ablacejne — polegające na usuwaniu poszczególnych komponentów — pokazują, że każdy element projektu, od ekstrakcji cech w dwóch domenach po wielopoziomowe łączenie i wyspecjalizowaną głowicę detekcyjną, wnosi mierzalne korzyści. W porównaniu z szeregiem popularnych detektorów, obejmujących zarówno klasyczne modele splotowe, jak i nowsze hybrydowe i oparte na Transformerach systemy, MFDH‑Net konsekwentnie oferował lepszą równowagę między dokładnością a prędkością.

Co to oznacza dla inteligentnego wytwarzania

Dla osób niebędących ekspertami główne przesłanie jest takie, że MFDH‑Net oferuje bardziej niezawodny, zautomatyzowany sposób wykrywania drobnych wad, które inspektorzy ludzie mogliby przegapić, bez spowalniania produkcji. Poprzez łączenie analizy detali z bliska z szerokim spojrzeniem na każdą powierzchnię oraz staranne zszywanie informacji między skalami i zadaniami, system potrafi wskazywać wady na różnorodnych produktach z dużą pewnością. Choć podejście nadal zależy od oznakowanych danych treningowych, których pozyskanie może być kosztowne, wytycza kierunek ku przyszłym systemom inspekcyjnym, które szybko dostosują się do nowych zakładów i produktów. Krótko mówiąc, praca przybliża przemysł do kontroli jakości powierzchni równie rygorystycznej jak oko eksperta, ale szybszej, bardziej spójnej i łatwiejszej do wdrożenia na dużą skalę.

Cytowanie: Zhang, L., Yang, Z., Ma, Y. et al. MFDH-Net: defect detection network for multi-level feature fusion and cross-sensing decoupling head. Sci Rep 16, 9750 (2026). https://doi.org/10.1038/s41598-026-40568-6

Słowa kluczowe: wykrywanie wad przemysłowych, wizja komputerowa, uczenie głębokie, kontrola jakości, inteligentne wytwarzanie