Метод обнаружения поверхностных дефектов авиационного алюминия на основе многомасштабной свертки и механизма внимания

Почему крошечные дефекты в металле действительно имеют значение

От крыльев самолётов до корпусов смартфонов — алюминиевые детали должны быть почти идеальными. Микроскопические царапины, пузыри в краске или крошечные ямки на металлической поверхности могут перерасти в трещины, угрожающие безопасности, сокращающие срок службы изделий или приводящие к дорогим отзывам. Осматривать каждую деталь визуально долго и чревато ошибками, а многие автоматические камеры по-прежнему пропускают мельчайшие дефекты. В этом исследовании рассматривается новый метод искусственного интеллекта, который может обнаруживать чрезвычайно малые дефекты на алюминиевых поверхностях более надёжно и с промышленной скоростью.

Скрытые опасности на гладком металле

Алюминиевые профили — это длинные балки и панели, используемые в фюзеляжах самолётов, крыльях, топливных баках и во многих других конструкциях. Хотя они могут выглядеть гладкими, их поверхности содержат множество проблем: нарушения защитных покрытий, участки с пониженной проводимостью, «апельсиновая корка», царапины, пятна грязи, пузыри краски, полосы от распыления, ямки и протечки в углах. Эти дефекты часто занимают всего несколько пикселей на изображении высокого разрешения и могут сливаться с бликами или фоновым шумом. Традиционный осмотр, как человеческий, так и при помощи старых систем машинного зрения, с трудом отличает такие крошечные отметины от безвредной текстуры, особенно при сложном освещении и фоне.

Обучение камеры смотреть один раз, но внимательно

В последние годы системы обнаружения объектов на основе глубокого обучения — особенно семейство YOLO («You Only Look Once») — стали популярны на производствах для поиска дефектов. YOLOv11, недавно выпущенная версия, уже быстра и точна для многих задач, но всё ещё склонна пропускать очень маленькие дефекты на алюминии. Авторы взяли лёгкий вариант YOLOv11n и переработали его внутренние блоки, чтобы уделять больше внимания тонким деталям без сильного замедления. Их подход соединяет три основные идеи: более умный способ захвата паттернов в нескольких размерах одновременно, механизм, позволяющий сети фокусироваться на наиболее информативных пикселях, и более аккуратный метод увеличения мелких паттернов, чтобы модель не теряла их в процессе обработки.

Уловить детали на разных масштабах

Первое нововведение — переработанный модуль извлечения признаков под названием C3k2-DWR-DRB, который заменяет стандартный блок в YOLOv11n. Проще говоря, этот блок позволяет сети смотреть на один и тот же фрагмент изображения одновременно с нескольких «уровней увеличения»: очень крупно для микроцарапин, чуть шире для пузырей краски и ещё шире для пятен или изменений цвета. Он использует специальные дилатированные свёртки и технику объединения нескольких путей фильтров в один эффективный, благодаря чему модель видит как тонкую текстуру, так и более крупные формы, не становясь тяжёлой или медленной. Поверхностные слои ориентированы на тонкие царапины, тогда как глубокие слои отслеживают широкие дефекты типа масляных пятен, улучшая распознавание как мелких, так и крупных дефектов в единой системе.

Помощь модели в фокусе на важном

Далее исследователи добавляют модуль внимания SimAM ближе к концу сети. Вместо введения множества новых параметров SimAM оценивает важность каждой маленькой области карты признаков, измеряя, насколько она отличается от окружения. Области, которые выделяются — например, едва заметный пузырь или пятнышко грязи — усиливаются, тогда как однородные фоновые области притупляются. Это делает детектор более чувствительным к реальным дефектам и менее склонным отвлекаться на блики или безвредную текстуру, что в свою очередь сокращает пропуски и ложные срабатывания.

Восстановление мелких паттернов без их размывания

Третий ключевой элемент — оператор апсемплинга CARAFE, который заменяет обычные «растягивающие» методы, используемые во многих нейросетях. Стандартные техники, такие как ближайший сосед или билинейная интерполяция, могут размывать те самые детали, которые важны для мелких дефектов. CARAFE же обучается тому, как восстанавливать признаки с учётом локального контекста, по сути решая, как каждый новый пиксель должен формироваться из соседей. Эта контентно-адаптивная реконструкция создаёт более чёткие, информативные карты мелких целей, делая пузыри, ямки и пятна легче «схватываемыми» детектором.

Проверка метода на практике

Для оценки своей системы авторы использовали публичный промышленный набор изображений алюминиевых поверхностей из онлайн-соревнования и тщательно перепроверили все метки дефектов. Они также расширили набор данных с помощью небольших поворотов, отражений и масштабирования, чтобы модель видела дефекты в разных условиях. На этом эталоне их улучшенная модель YOLOv11n достигла среднего значения точности (mAP) 79,4% на общепринятом пороге и полноты (recall) 76,6%, то есть она находит больше истинных дефектов по сравнению с исходной YOLOv11n при сохранении компактности модели. Особенно заметный прирост наблюдался на сложных маленьких и «чрезвычайно маленьких» объектах, таких как пузыри краски и пятна грязи, при этом модель сохраняла режим реального времени — примерно 178 кадров в секунду на мощной графической карте.

Что это значит для обычных технологий

Для неспециалистов вывод таков: авторы создали более умный и экономный «глаз» для заводов — систему камер и алгоритмов, способную в реальном времени замечать почти невидимые дефекты на алюминиевых поверхностях. Умелое сочетание многомасштабного анализа, механизма внимания и аккуратного апсемплинга повышает и точность, и надёжность без больших вычислительных затрат. При дальнейшем тестировании в более жёстких реальных условиях и адаптации под энергоэффективное оборудование такой подход может помочь сделать самолёты, автомобили, электронику и другие изделия из металлов безопаснее и надёжнее, а также сократить отходы и расходы на контроль качества.

Цитирование: Zhang, R., Cai, S., He, Z. et al. Aerospace aluminum surface defect detection method based on Multi-Scale Convolution and attention mechanism. Sci Rep 16, 6428 (2026). https://doi.org/10.1038/s41598-026-37293-5

Ключевые слова: дефекты поверхности алюминия, промышленный контроль, обнаружение глубокого обучения, обнаружение объектов YOLO, авиакосмические материалы