Перевзвешивание по градиенту доверия и алгоритм лёгкого улучшения признаков для обнаружения дефектов на поверхности стали

Более острый взгляд на качество стали

От автомобилей и мостов до смартфонов — современная жизнь зависит от стали, изготовленной с минимальным числом дефектов. Мельчайшие царапины, ямки или включения на поверхности стали могут ослабить изделие или сократить срок его службы, однако эти изъяны зачастую настолько малы и мало контрастны, что даже продвинутые камеры и программное обеспечение их пропускают. В этой статье представлен GRACE — новый метод компьютерного зрения, который помогает системам автоматической инспекции надёжнее и быстрее обнаруживать такие тонкие дефекты, с целью повысить безопасность и эффективность производства.

Почему мелкие дефекты сложно заметить

На сталелитейных и электронных производствах команды контроля качества используют высокоскоростные камеры и алгоритмы, чтобы сканировать каждую полосу металла по мере её прокатки. Проблема в том, что многие дефекты малы, имеют неправильную форму и едва выделяются на фоне сложной текстуры поверхности. Традиционные системы на правилах опираются на вручную настроенные пороги и инженерно разработанные признаки, которые легко нарушаются при изменениях освещения, шума или условий производства. Системы глубокого обучения улучшили ситуацию, но всё ещё испытывают две ключевые сложности: во-первых, некоторые типы дефектов встречаются значительно реже других, поэтому модель склонна учиться на распространённых образцах и игнорировать редкие, но важные дефекты; во-вторых, ранние слои сети часто теряют тонкую текстуру и детали краёв, которые отличают дефект от безвредных фоновых артефактов.

Более умная стратегия обучения

Алгоритм GRACE опирается на современную быструю модель обнаружения объектов YOLO11s и добавляет два целенаправленных улучшения. Первое, называемое Dynamic Sampling with Confidence-Gradient Balanced Sampling Mechanism (DS-CBSM++), меняет способ обучения модели, а не то, как она анализирует отдельное изображение. Во время обучения GRACE непрерывно отслеживает, насколько уверена модель в каждом дефекте и насколько велик сигнал обучения, или градиент, для этого класса. Редкие или низкоуверенные типы дефектов и изображения, которые модели даются трудно, выбираются для обучения чаще; лёгкие, слишком представленные случаи — реже. Адаптивное перевзвешивание помогает сети уделять дополнительное внимание сложным и недостаточно представленным дефектам, не увеличивая размер модели и не замедляя её в реальном использовании.

Лёгкое усиление деталей

Второе улучшение — Lightweight Feature Enhancement Network (Lite-FEN) — сосредоточено на деталях изображения, где скрываются мелкие дефекты. Оно подключает компактный модуль внимания к раннему уровню признаков, где лучше видны края и текстуры. Через простые операции канального и пространственного внимания Lite-FEN усиливает сигналы, которые выглядят как значимые структуры — например тонкие трещиноподобные линии или мелкие ямки — и подавляет нерелевантную фоновую текстуру. Важно, что эта дополнительная обработка добавляет лишь небольшое число параметров и сохраняет низкие вычислительные затраты, так что детектор остаётся достаточно быстрым для инспекции в реальном времени на производственных линиях.

Лучшее обнаружение на разных наборах данных

Для проверки GRACE авторы оценивали его на трёх общедоступных наборах данных дефектов поверхности стали. На широко используемом бенчмарке NEU-DET GRACE повысил ключевой показатель точности (mean average precision) по сравнению с базовой моделью YOLO11s, при этом скорость и размер модели остались примерно такими же — около 9,56 миллионов параметров и примерно 60 изображений в секунду при стандартном разрешении. Прирост был особенно заметен для мелких, слабо контрастных типов дефектов, таких как «crazing» и питтинговые поверхности. Дополнительные эксперименты на двух других наборах данных, GC10-DET и X-SDD, показали, что преимущества GRACE не зависят от одного набора изображений: он продолжал находить больше истинных дефектов и давал более точную локализацию границ изъянов, даже когда менялись фоновые текстуры и типы дефектов.

Что это значит для промышленности

Для неспециалиста главный вывод таков: GRACE помогает системам автоматической инспекции лучше видеть крошечные, трудноуловимые изъяны, не требуя более мощных компьютеров и без замедления темпа производства. Направляя обучение на редкие и трудные примеры и аккуратно усиливая внимание модели к тонким текстурам, GRACE сокращает как пропуски дефектов, так и ложные тревоги, особенно на сложных шумных изображениях, похожих на реальные заводские условия. Хотя метод пока тестировался офлайн на публичных наборах данных, его архитектура готова для интеграции в реальные производственные линии, где он может сделать стальные изделия безопаснее, надёжнее и менее затратными в производстве.

Цитирование: Chen, L., Guo, C., Wu, X. et al. Confidence–gradient reweighting and lightweight feature enhancement algorithm for steel surface defect detection. Sci Rep 16, 5676 (2026). https://doi.org/10.1038/s41598-026-36543-w

Ключевые слова: дефекты поверхности стали, автоматизированный визуальный контроль, обнаружение с помощью глубокого обучения, обнаружение мелких объектов, промышленный контроль качества