Lekka rama wykrywania wad metalograficznych dzięki uporządkowanym priors i uwadze świadomej energii przy silnych zakłóceniach granic ziaren

Dlaczego drobne wady w stali mają znaczenie

Od kół zębatych w samochodach po rurociągi wysokociśnieniowe — wiele powszechnych maszyn opiera się na jednym, powszechnym materiale: stali niskowęglowej często oznaczanej jako AISI 1020. Zanim inżynierowie zaufają tej stali, oglądają wypolerowane, wytrawione przekroje pod mikroskopem, by ocenić wewnętrzną strukturę metalu. Jednak jeśli powierzchnia próbki jest poplamiona, porysowana lub nierówna, błędy przygotowania mogą udawać prawdziwe problemy materiałowe. Artykuł przedstawia nowe, lekkie narzędzie sztucznej inteligencji, które potrafi szybko i niezawodnie wykrywać te subtelne wady przygotowania, nawet gdy niemal giną w złożonym tle mikroskopowych wzorów ziaren.

Trudność w wykrywaniu słabych defektów

Pod dużym powiększeniem stal przypomina mozaikę małych obszarów zwanych ziarnami, rozdzielonych misterną siecią granic ziaren. Te granice tworzą gęstą, wysoko-kontrastową fakturę, która łatwo przytłacza słabe sygnały pochodzące z wad przygotowania, takich jak plamy wodne, pozostałości cieczy trawiącej czy nieznacznie nierówne powierzchnie. Standardowe modele komputerowego widzenia, w tym popularne detektory YOLO, zakładają, że obiekty wyraźnie odstają od otoczenia. W metalografii często jest odwrotnie: tło jest silne i uporządkowane, a wady są słabe i nieregularne pod względem kształtu i rozmiaru. W miarę jak obrazy są wielokrotnie przetwarzane w głębokiej sieci, te słabe sygnały łatwo ulegają wygładzeniu, co prowadzi do przeoczeń lub pomylenia niegroźnej tekstury z rzeczywistymi defektami.

Dostosowana rama detekcji do metalografii

Aby poradzić sobie z tym problemem, autorzy zbudowali RSS‑YOLOv10, spersonalizowaną odmianę niedawnego detektora czasu rzeczywistego YOLOv10, dostrojoną specjalnie do mikroskopowych zdjęć stali. Zaczynają od najmniejszej, „nano” wersji YOLOv10, by utrzymać model kompaktowy i uniknąć przeuczenia na złożonych wzorcach ziaren. Na tej bazie przeprojektowali kluczowe bloki w ekstraktorze cech i etapach fuzji cech, tak aby system mógł radzić sobie z ekstremalnymi wariacjami rozmiarów wad — od malutkich zagłębień po rozległe plamy — bez znacznego zwiększenia obciążenia obliczeniowego. Zachowali też strategię treningu end‑to‑end z YOLOv10, co eliminuje czasochłonny etap post‑processingu i dobrze pasuje do szybkiej inspekcji przemysłowej.

Jak nowe komponenty współpracują

Rdzeniem RSS‑YOLOv10 jest nowy moduł nazwany RepHMA, który zastępuje standardowe bloki w sieci bazowej. RepHMA przetwarza każdy fragment obrazu przez kilka równoległych gałęzi, które „patrzą” na różne rozmiary sąsiedztwa, a następnie scala je w pojedynczy, wydajny blok używany podczas detekcji. Ten wieloskalowy widok pomaga modelowi wychwycić zarówno drobne plamki, jak i większe, rozmyte obszary. Drugim składnikiem jest mechanizm uwagi SimAM, który działa jak filtr porównujący każdy drobny region z jego otoczeniem i wzmacniający te, które znacznie różnią się od powtarzalnego tła ziaren. Co ważne, SimAM robi to bez dodawania dodatkowych, trenowalnych parametrów, zachowując lekkość modelu. Wreszcie przeprojektowany segment „SlimNeck” scala informacje z różnych poziomów rozdzielczości za pomocą specjalnie dobranych konwolucji, które zachowują użyteczne detale przy ograniczeniu zbędnych obliczeń.

Tworzenie i testy na rzeczywistych danych stalowych

Ponieważ istniejące zbiory obrazów metalograficznych zwykle koncentrują się na idealnych, wolnych od wad próbkach, zespół zbudował własny benchmark nazwany 20 S‑PDD. Zawiera on ponad 1 200 zdjęć mikroskopowych 20 próbek stali przygotowanych w laboratorium, z trzema typami wad przygotowania precyzyjnie oznaczonymi przez ekspertów: plamy wodne, pozostałości cieczy korozyjnej i nierówne obszary powierzchni. Autorzy szkolili i oceniali RSS‑YOLOv10 na tym zbiorze i porównali go z bazowym YOLOv10n oraz kilkoma znanymi detektorami, w tym Faster R‑CNN, SSD, YOLOv5, YOLOv8 oraz modelem czasu rzeczywistego opartym na transformerach. Przetestowali też metodę na oddzielnym publicznym zbiorze wad powierzchni stali o większej skali, aby sprawdzić, jak dobrze uogólnia się poza obrazami mikroskopowymi.

Co pokazują wyniki

Na metalograficznym zbiorze 20 S‑PDD RSS‑YOLOv10 osiągnął wyższą precyzję, recall i ogólną skuteczność detekcji niż wszystkie modele porównawcze, podnosząc średnią precyzję (mAP) o prawie cztery punkty procentowe w stosunku do bazowego YOLOv10n, przy jednoczesnym zużyciu jeszcze mniejszej liczby operacji zmiennoprzecinkowych. Model był szczególnie skuteczny w rozróżnianiu plam i pozostałości korozyjnych od otaczającej tekstury ziaren, zmniejszając zarówno liczbę przeoczeń, jak i fałszywych alarmów. Na oddzielnym zbiorze NEU‑DET dotyczącego wad powierzchni stali model ponownie przewyższył bazę, co pokazuje, że kluczowe wybory projektowe są odporne na różne rodzaje teksturowanych obrazów metalicznych. Wizualizacje wewnętrznych „map cieplnych” modelu potwierdzają, że skupia on uwagę ściśle na rzeczywistych defektach, w dużej mierze ignorując granice ziaren.

Dlaczego to ma znaczenie w praktyce

Dla laboratoriów metalograficznych i inżynierów kontroli jakości proponowana rama oferuje sposób automatycznego przesiewu przygotowanych próbek pod kątem wad przygotowania przed głębszą analizą prawdziwej mikrostruktury stali. Ponieważ RSS‑YOLOv10 jest kompaktowy i wydajny, może działać w czasie rzeczywistym na standardowym sprzęcie stacjonarnym lub urządzeniach wbudowanych, co czyni go praktycznym do rutynowego użycia obok istniejących mikroskopów. Chociaż obecne prace koncentrują się na jednym gatunku stali i ograniczonym zestawie próbek, podejście otwiera drogę do szerszych, zautomatyzowanych kontroli jakości metalografii, zmniejszając zmęczenie i niespójności u ludzi oraz chroniąc pomiary, od których zależą decyzje inżynieryjne o znaczeniu dla bezpieczeństwa.

Cytowanie: Shen, Z., Deng, Q., Wu, Z. et al. A lightweight metallographic defect detection framework via structured priors and energy-aware attention under strong grain boundary interference. Sci Rep 16, 10969 (2026). https://doi.org/10.1038/s41598-026-45556-4

Słowa kluczowe: wykrywanie wad metalograficznych, mikrostruktura stali, inspekcja z użyciem uczenia głębokiego, zautomatyzowana mikroskopia, detekcja obiektów YOLO