Ulepszony lekki algorytm YOLOv11 do wykrywania wad na powierzchni spoin

Dlaczego drobne wady spoin mają znaczenie

Od mostów i statków po drapacze chmur i rurociągi — niezliczone metalowe konstrukcje polegają na połączeniach spawanych, by pozostać bezpieczne i trwałe. Jednak powierzchnie tych spoin mogą kryć drobne defekty — takie jak pory, pęknięcia czy skrawki żużla — które mogą przekształcić się w poważne uszkodzenia, jeśli pozostaną niezauważone. Ręczna inspekcja każdej spoiny jest powolna, kosztowna i podatna na błędy ludzkie, szczególnie w intensywnych środowiskach produkcyjnych. W artykule przedstawiono szybszy, bardziej oszczędny system wizyjny, nazwany YOLO-Air, zaprojektowany do automatycznego i pracy w czasie rzeczywistym wykrywania wad na powierzchni spoin, nawet na sprzęcie przemysłowym o ograniczonych zasobach.

Ograniczenia tradycyjnych narzędzi inspekcji

Przez dziesięciolecia inspekcja spoin opierała się na metodach fizycznych, takich jak zdjęcia rentgenowskie, ultradźwięki, proszki magnetyczne i prądy wirowe. Techniki te potrafią ujawnić wady wewnętrzne i powierzchniowe, ale wiążą się z kompromisami: zagrożeniem promieniowaniem i wymogami ochronnymi przy radiografii, zależnością od operatora przy ultradźwiękach oraz ograniczeniami materiałowymi przy badaniach magnetycznych i prądach wirowych. Mają też trudności z obiektami o skomplikowanych kształtach oraz z warunkami środowiskowymi, takimi jak oświetlenie, temperatura czy zabrudzenie powierzchni. W miarę jak rośnie zapotrzebowanie przemysłu na szybką, ciągłą kontrolę jakości, te tradycyjne narzędzia przestają wystarczać same w sobie.

Wzrost znaczenia inteligentnych kamer dla spoin

Postępy w uczeniu głębokim umożliwiły wykrywanie wad bezpośrednio z obrazów, wykorzystując algorytmy pierwotnie rozwinięte do rozpoznawania codziennych obiektów. Wśród nich detektory jednofazowe, takie jak rodzina YOLO, są szczególnie atrakcyjne dla zakładów, ponieważ łączą dobrą dokładność z wysoką prędkością. Zdjęcia spoin stawiają jednak nietypowe wyzwania: tło zaśmiecone rdzą, plamami i powłokami; wyjątkowo małe i gęsto rozmieszczone wady; oraz wiele typów defektów różniących się kształtem i teksturą. Gotowe modele często pomijają subtelne uszkodzenia, mylą zakłócenia z rzeczywistymi uszkodzeniami lub są tak ciężkie, że trudno je wdrożyć na umiarkowanych GPU czy urządzeniach wbudowanych.

Chudszy rdzeń dla ostrzejszego rozpoznawania

Autorzy rozwijają najnowszy model YOLOv11 i przekształcają go w YOLO-Air — wersję dostosowaną do wydajnego wykrywania wad na powierzchni spoin. Zaczynają od przebudowy backbone’u, części sieci odpowiedzialnej za pierwotne przetwarzanie obrazu. Nowy blok ekstrakcji cech łączy dwie koncepcje: mechanizm „ghost”, który ponownie wykorzystuje proste transformacje do generowania dodatkowych map cech przy niskim koszcie, oraz dynamiczny filtr, który dostosowuje się do każdego wejścia, uwypuklając wzorce związane z prawdziwymi wadami i tłumiąc rozpraszające szczegóły tła. Dzięki temu model uzyskuje bogatsze rozumienie wad o różnych rozmiarach i kształtach, bez zwiększania obciążenia obliczeniowego.

Przyspieszenie przepływu informacji

Następnie zespół odchudza środkową część sieci, zwaną neck, odpowiedzialną za łączenie informacji globalnych o niskiej rozdzielczości z lokalnymi, drobnymi szczegółami. Zastępują cięższe operacje splotami grupowymi i mieszającymi kanały, co sprzyja współdzieleniu informacji między kanałami przy jednoczesnym ograniczeniu zbędnych obliczeń. Przeprojektowany blok agregacji dodatkowo usprawnia sposób łączenia cech na różnych skalach. Wspólnie te zmiany redukują redundancję w przetwarzanych informacjach, pozwalając modelowi śledzić drobne wady rozproszone po zaszumionej powierzchni spoin, przy zachowaniu dużej prędkości działania.

Szczupła warstwa wyjściowa do zastosowań w czasie rzeczywistym

Na koniec autorzy upraszczają head detekcji — część systemu, która przekształca wewnętrzne cechy w ramki ograniczające i decyzje o wadach. Zamiast stosować pełne sploty do każdego kanału, używają schematu częściowego, który przetwarza tylko podzbiór kanałów, a resztę przekazuje bez zmian. To obcina znaczną część parametrów modelu i operacji zmiennoprzecinkowych, przy jednoczesnym zachowaniu niezbędnych informacji do lokalizacji i klasyfikacji wad. Efektem jest detektor kompaktowy i responsywny, odpowiedni do monitoringu on-line na liniach produkcyjnych, gdzie każdy milisekund ma znaczenie.

Jak dobrze działa nowy system

Aby ocenić YOLO-Air, badacze przetestowali go na dwóch publicznych zbiorach danych dotyczących wad powierzchni metalowych: jednym skoncentrowanym na spoinach, drugim na ogólnych wadach taśm stalowych. W porównaniu z szeregiem klasycznych i nowoczesnych modeli detekcyjnych — w tym kilkoma wersjami YOLO i projektami opartymi na transformatorach — YOLO-Air oferuje najlepszą równowagę między dokładnością, prędkością i rozmiarem modelu. Na obrazach spoin poprawia jakość detekcji o około punkt procentowy w stosunku do bazowego YOLOv11, jednocześnie redukując liczbę parametrów o ponad 17% i obciążenie obliczeniowe prawie o jedną trzecią. Utrzymuje też kilkaset klatek na sekundę przepustowości, z łatwością spełniając wymagania czasu rzeczywistego. Testy statystyczne potwierdzają, że te zyski nie wynikają z przypadku.

Co to oznacza dla przemysłu

W praktyce YOLO-Air pokazuje, że możliwe jest zbudowanie systemu inspekcji spoin, który jest jednocześnie inteligentny i oszczędny, zdolny do pracy na powszechnych kartach graficznych lub procesorach wbudowanych bez utraty niezawodności. Lepsze rozróżnianie prawdziwych wad od nieszkodliwych zanieczyszczeń powierzchni oraz wykrywanie bardzo drobnych uszkodzeń może zmniejszyć liczbę przeoczonych problemów i niepotrzebnych napraw. Chociaż model nie został jeszcze wdrożony na szeroką skalę w zakładach, badanie wskazuje wyraźną ścieżkę do kompaktowych, opartych na kamerach systemów inspekcyjnych, które nieprzerwanie strzegą jakości krytycznych konstrukcji spawanych.

Cytowanie: Zhang, R., Pan, C., Chen, Z. et al. An improved lightweight YOLOv11 algorithm for weld surface defect detection. Sci Rep 16, 11440 (2026). https://doi.org/10.1038/s41598-026-41568-2

Słowa kluczowe: wykrywanie wad spoin, wizja przemysłowa, lekki uczenie głębokie, detekcja obiektów YOLO, automatyzacja kontroli jakości