Проектирование легковесной технологии обнаружения дефектов металлической поверхности для YOLOv7-tiny с использованием безякорного алгоритма

Почему мелкие дефекты в металле важны

От кузова автомобиля до балок в небоскребе — листы стали повсюду. Тем не менее тонкие трещины, слабые царапины или крошечные ямки на этих поверхностях способны незаметно ослабить детали, сократить срок их службы и привести к финансовым потерям для производителей. Осматривать каждую квадратную сантиметру визуально медленно и чревато ошибками, поэтому фабрики переходят на искусственный интеллект, чтобы автоматически находить дефекты по мере того, как сталь движется по сборочной линии. В этой статье представлена более быстрая и легковесная система компьютерного зрения, предназначенная для обнаружения даже очень малых, трудноразличимых дефектов на металлических поверхностях в реальном времени.

Как камеры и умное ПО следят за сталью

Современный контроль дефектов опирается на цифровые камеры и глубокое обучение — методы, которые изучают шаблоны непосредственно по изображениям. Популярное семейство таких систем известно как YOLO (You Only Look Once), которое просматривает изображение за один проход и обводит объекты интереса прямоугольниками. Авторы развивают компактную версию под названием YOLOv7-tiny и адаптируют её специально для промышленного контроля стали. Их цель — сохранить модель небольшой и быстрой, чтобы она работала на ограниченном железе, при этом обнаруживая широкий спектр дефектов — от тонких сварных швов и складок до круглых ямок и пятен — на движущихся полосах и листах стали.

Обнаружение дефектов без предзаданных рамок

Ранние версии YOLO опирались на «якорные» боксы — набор заранее заданных форм, служащих стартовыми предположениями о расположении объектов. Хотя это удобно, такие предустановленные формы слабо справляются со сверхтонкими длинными трещинами или крошечными точечными дефектами и могут их просто пропускать. Новая система переходит на безякорный подход: вместо стартовых фиксированных рамок она учится фокусироваться на центре дефекта и затем предсказывает, насколько далеко его края простираются в четырёх направлениях. Это делает детектор более гибким и лучше подходящим к причудливым формам и размерам реальных дефектов, особенно в тяжёлой промышленности.

Делаем слабые дефекты более заметными

На многих стальных поверхностях дефекты едва ярче или темнее окружения; они сливаются с металлической зернистостью, как пятно в тумане. Чтобы помочь компьютеру заметить то, что может ускользнуть от глаза, авторы применяют двухэтапную процедуру повышения контраста перед обнаружением. Сначала используется логарифмическое преобразование, которое расширяет различия в светлых участках градации серого — там, где часто сосредоточены и сталь, и дефекты — одновременно сжимая тёмные области. Затем полученный диапазон яркости растягивают обратно на полный масштаб. Вместе эти шаги подчёркивают тонкие текстуры, связанные с дефектами, и приглушают фоновые узоры, давая детектору более чёткие визуальные сигналы для работы.

Меньший «мозг», более чёткая фокусировка

Чтобы система оставалась лёгкой, исследователи заменили исходное ядро YOLOv7-tiny на более компактную сеть MobileNetV3-large, изначально разработанную для смартфонов и встроенных устройств. Этот «мозг» использует специализированные блоки для сокращения объёма вычислений без значительной потери точности. Кроме того, они добавили модуль внимания, который учится выделять важные области — например, крошечные дефекты — игнорируя несущественный фон. Особая структура пирамиды признаков затем объединяет информацию с разных масштабов изображения, так что система может распознавать как мелкие, так и крупные дефекты в одном кадре. Команда также тщательно перено маркировала два открытых набора изображений с дефектами, исправив пропуски и неточности аннотаций, чтобы система училась на более чистых примерах.

Насколько хорошо работает новая система

Усовершенствованный детектор был протестирован на трёх широко используемых наборах данных по дефектам металла, варьирующихся от простых синтетических шаблонов до сложных реальных стальных лент. По этим бенчмаркам новый дизайн в среднем увеличил ключевой показатель точности примерно на шесть процентных пунктов по сравнению со стандартной моделью YOLOv7-tiny, при этом обрабатывая более 90 изображений в секунду — достаточно быстро для инспекции в реальном времени на многих заводах. Он также благоприятно сравнивался с рядом современных детекторов, показывая более высокую точность по сравнению с несколькими более тяжёлыми и новыми моделями при обучении на одном и том же очищенном наборе данных по дефектам стали.

Что это значит для повседневных изделий

Проще говоря, исследование показывает, что возможно построить компактную и эффективную систему зрения, которая надёжно замечает очень маленькие, причудливо сформированные дефекты на быстро движущихся металлических поверхностях. Сочетая умное выделение дефектов, более гибкое предсказание рамок, лучшее внимание к мелким деталям и тщательную очистку данных, авторы предлагают инструмент, который помогает производителям стали обнаруживать больше проблем до того, как изделия попадут на дороги, предприятия или стройплощадки. Результат — практический шаг к более безопасным и надёжным металлическим деталям и к фабрикам, где интеллектуальные камеры незаметно охраняют качество в фоновом режиме.

Цитирование: Huang, YC., Lin, JC. & Wu, YZ. Design of lightweight metal surface defect detection technology for YOLOv7-tiny using Anchor-Free algorithm. Sci Rep 16, 8601 (2026). https://doi.org/10.1038/s41598-026-39233-9

Ключевые слова: дефекты металлической поверхности, автоматический визуальный осмотр, обнаружение объектов в реальном времени, легковесное глубокое обучение, промышленный контроль качества