SFD-YOLO для обнаружения мелких следов от осколков при испытаниях боевых частей на целевых пластинах

Замечая самые маленькие следы удара

Когда боеголовка взрывается в контролируемом эксперименте, инженеры оценивают её опасность по крошечным отметинам, которые осколки оставляют на больших металлических пластинах. Сегодня такая проверка по-прежнему часто выполняется вручную — это медленно, утомительно и подвержено ошибкам, особенно когда большинство следов едва заметны. В статье предложен подход на базе искусственного интеллекта под названием SFD-YOLO, который может автоматически обнаруживать эти крошечные повреждения в реальном времени, даже при наличии пыли, тумана, размытия или меняющегося освещения, обеспечивая более быстрые и надёжные оценки безопасности и эффективности.

Почему важны крошечные отверстия

При испытаниях боеголовок металлические целевые пластины располагают кольцом вокруг зарядного устройства. При детонации осколки с высокой скоростью врезаются в пластины, оставляя либо чистые сквозные отверстия, либо неглубокие вмятины при поверхностном ударе. Подсчитывая расположение и количество каждого типа, инженеры могут восстановить характер рассеивания осколков и оценить их поражающую способность для реального оборудования. Однако отметины очень малы и плотно сгруппированы, а полигоны на открытом воздухе полны пыли, бликов и плохой погоды. Человеческим инспекторам и традиционным инструментам обработки изображений трудно обеспечивать точность и оперативность измерений.

Учим сеть смотреть сразу — но внимательно

Современные системы обнаружения объектов на основе глубокого обучения способны за доли секунды просканировать изображение и очертить рамки вокруг интересующих элементов. Среди них семейство алгоритмов YOLO известно хорошим балансом скорости и точности. Тем не менее стандартные версии склонны пропускать очень мелкие объекты, занимающие всего несколько пикселей — как раз то, что встречается на изображениях с осколочными следами. Чтобы справиться с этим, авторы опираются на последнюю модель YOLOv11 и специализированно адаптируют её под крошечные отметины на блестящем металле, перерабатывая несколько ключевых компонентов, чтобы сеть уделяла больше внимания едва заметным деталям, не становясь при этом слишком большой или медленной.

Усиление внимания на пятнышках и точках

Первое улучшение касается того, как сеть обрабатывает исходные изображения. Авторы вводят блок обработки признаков, который очищает видимое сетью по двум измерениям одновременно: по пространственному расположению признаков и по каналам, несущим наиболее полезную информацию. Этот блок подавляет повторяющиеся или бесполезные шаблоны и усиливает тонкие края и текстуры, наводящие на мысль о реальном ударе. Также добавлен лёгкий модуль извлечения признаков, который сохраняет компактность модели за счёт более эффективных операций, чтобы она могла быстро работать на стандартном оборудовании, при этом сохраняя слабые сигналы от крошечных следов осколков.

Видение на нескольких масштабах одновременно

Поскольку очень мелкие следы легко теряются при многократном уменьшении изображений внутри нейросети, авторы переработали и часть системы, отвечающую за принятие решений. Вместо трёх уровней детализации SFD-YOLO добавляет четвёртый, более высокоразрешающий слой, специально предназначенный для самых мелких отметин. Особая пирамидальная структура признаков постепенно объединяет тонкие детали из поверхностных слоёв с более широким контекстом из глубоких слоёв, помогая сети одновременно отслеживать положение отметины и её контраст с фоном. В результате система умеет различать сквозные отверстия и поверхностные вмятины, даже когда они плотно расположены на отражающей пластине.

Испытание системы

Для обучения и оценки метода исследователи собрали специализированную коллекцию изображений из реальных статических взрывных испытаний, включающую тысячи высокоразрешающих фотографий целевых пластин и более двадцати тысяч вручную размеченных следов. Почти девять из десяти отметин в этой базе соответствуют определению «малых» по общим стандартам компьютерного зрения, что делает её трудной тестовой площадкой. SFD-YOLO не только превосходит ряд популярных моделей обнаружения, включая несколько вариантов YOLO и системы на основе трансформеров, но делает это при чуть более двух миллионах настраиваемых параметров и обработке свыше ста изображений в секунду. Модель также лучше выдерживает размывание, затемнение, осветление и наложение синтетического тумана и пыли, имитирующих тяжёлые полевые условия, по сравнению с ближайшим базовым решением.

От полигона до производственного цеха

Проще говоря, исследование показывает, что тщательно настроенная нейросеть может с высокой надёжностью обнаруживать и классифицировать повреждения размером с укол булавки на больших металлических пластинах и делать это достаточно быстро для реального времени во время взрывных испытаний. SFD-YOLO превращает когда-то трудоёмкую ручную подсчётную задачу в автоматизированный, надёжный измерительный инструмент. Помимо оценки боеголовок, те же идеи применимы и в других случаях, где важны мелкие дефекты на металлических поверхностях — например, при инспекции проката стали, элементов энергосетей или других промышленных компонентов, которые люди и стандартные алгоритмы легко пропускают.

Цитирование: Liu, H., Ding, Y., You, W. et al. SFD-YOLO for small-object fragment impact detection in warhead target-plate testing. Sci Rep 16, 9291 (2026). https://doi.org/10.1038/s41598-026-40457-y

Ключевые слова: обнаружение мелких объектов, испытания на удар осколками, инспекция металлических поверхностей, нейросети YOLO, обнаружение дефектов в промышленности