Um algoritmo YOLOv11 leve e melhorado para detecção de defeitos na superfície de soldas

Por que pequenas falhas em soldas importam

De pontes e navios a arranha-céus e oleodutos, inúmeras estruturas metálicas dependem de juntas soldadas para se manterem seguras e resistentes. Ainda assim, as superfícies dessas soldas podem esconder pequenas falhas — como poros, trincas ou partículas de escória presas — que podem evoluir para falhas graves se não forem detectadas. Inspecionar cada solda manualmente é lento, caro e sujeito a erro humano, especialmente em fábricas movimentadas. Este artigo apresenta um sistema de visão computacional mais rápido e enxuto, chamado YOLO-Air, projetado para detectar automaticamente defeitos na superfície de soldas em tempo real, mesmo em hardware industrial com recursos limitados.

Limites das ferramentas tradicionais de inspeção

Por décadas, a inspeção de soldas utilizou métodos de ensaio físico como raios X, ultrassom, pós magnéticos e correntes parasitas. Essas técnicas podem revelar defeitos internos e de superfície, mas apresentam compensações: riscos de radiação e exigências de proteção na radiografia, dependência do operador no ultrassom e restrições de material nos ensaios magnéticos e por correntes parasitas. Além disso, elas têm dificuldades com objetos de geometria complexa e com variações ambientais como iluminação, temperatura ou contaminação da superfície. À medida que a demanda industrial por controle de qualidade rápido e contínuo cresce, essas ferramentas por si só já não são suficientes.

Ascensão das câmeras inteligentes para soldagem

O progresso recente em aprendizado profundo tornou possível detectar defeitos diretamente a partir de imagens, usando algoritmos originalmente desenvolvidos para reconhecimento de objetos do cotidiano. Entre esses, os chamados detectores de uma etapa, como a família YOLO, são especialmente atraentes para fábricas porque combinam boa precisão com alta velocidade. Contudo, imagens de solda apresentam desafios incomuns: fundos poluídos por ferrugem, manchas e revestimentos; defeitos extremamente pequenos e densamente agrupados; e múltiplos tipos de defeito que variam em forma e textura. Modelos prontos costumam perder falhas sutis, confundir ruído com danos reais ou ser tão pesados que são difíceis de implantar em GPUs modestas ou dispositivos embarcados.

Um cérebro mais enxuto para olhos mais precisos

Os autores partem do modelo mais recente YOLOv11 e o remodelam em YOLO-Air, uma versão adaptada para detectar eficientemente defeitos na superfície de soldas. Eles começam reformulando o backbone, a parte da rede que primeiro processa a imagem. Um novo bloco de extração de características combina duas ideias: um mecanismo "ghost" que reutiliza transformações simples para gerar mapas de características extras com baixo custo, e um mecanismo de filtros dinâmicos que se adapta a cada entrada, enfatizando padrões associados a defeitos reais enquanto reduz detalhes de fundo distraentes. Isso fornece ao modelo uma compreensão mais rica de defeitos em diferentes tamanhos e formas sem aumentar a carga computacional.

Acelerando o fluxo de informação

Em seguida, a equipe alivia o meio da rede, conhecido como neck, responsável por mesclar informação global grosseira com detalhes locais finos. Eles substituem operações mais pesadas por convoluções agrupadas e embaralhadas que incentivam os canais a compartilhar informações enquanto reduzem cálculos desnecessários. Um bloco de agregação redesenhado também simplifica como características em diferentes escalas são combinadas. Juntas, essas mudanças reduzem a redundância no que o modelo precisa processar, permitindo acompanhar defeitos minúsculos espalhados por uma superfície de solda barulhenta, mantendo alta velocidade de execução.

Uma camada de saída enxuta para uso em tempo real

Finalmente, os autores simplificam a cabeça de detecção — a parte do sistema que transforma características internas em caixas delimitadoras e decisões de defeito. Em vez de aplicar convoluções completas em todos os canais, eles usam um esquema parcial que processa apenas um subconjunto de canais e passa os demais sem alteração. Isso reduz uma parte significativa dos parâmetros do modelo e das operações de ponto flutuante, preservando a informação essencial necessária para localizar e classificar defeitos. O resultado é um detector compacto e responsivo, adequado para monitoramento online em linhas de produção onde cada milissegundo conta.

Como o novo sistema se sai

Para avaliar o YOLO-Air, os pesquisadores o testam em dois conjuntos públicos de dados de defeitos em superfícies metálicas: um focado em soldas e outro em defeitos gerais de tiras de aço. Contra uma seleção de modelos clássicos e modernos de detecção — incluindo várias versões do YOLO e arquiteturas baseadas em transformers — o YOLO-Air oferece o melhor equilíbrio entre precisão, velocidade e tamanho do modelo. Em imagens de solda, ele melhora a qualidade de detecção em cerca de um ponto percentual sobre a linha de base YOLOv11, enquanto reduz o número de parâmetros em mais de 17% e a carga computacional em quase um terço. Também mantém várias centenas de quadros por segundo de vazão, atendendo facilmente às necessidades de tempo real. Testes estatísticos confirmam que esses ganhos não se devem ao acaso.

O que isso significa para a indústria

Na prática, o YOLO-Air demonstra que é possível construir um sistema de inspeção de soldas que seja ao mesmo tempo inteligente e econômico, capaz de rodar em placas gráficas comuns ou processadores embarcados sem sacrificar a confiabilidade. Ao distinguir melhor defeitos reais de sujeira inofensiva na superfície e ao detectar falhas muito pequenas, ele pode reduzir tanto problemas não detectados quanto reparos desnecessários. Embora o modelo ainda não tenha sido implantado em larga escala nas fábricas, o estudo aponta um caminho claro para inspetores compactos baseados em câmera que monitoram continuamente a qualidade de estruturas soldadas críticas.

Citação: 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

Palavras-chave: detecção de defeitos em solda, visão industrial, aprendizado profundo leve, detecção de objetos YOLO, automação de inspeção de qualidade