Улучшенный облегчённый алгоритм YOLOv11 для обнаружения дефектов поверхности сварных швов

Почему мелкие дефекты сварных швов имеют значение

От мостов и судов до небоскрёбов и трубопроводов — множество металлических конструкций полагаются на сварные швы, чтобы оставаться безопасными и прочными. Тем не менее на поверхности этих швов могут скрываться мелкие недостатки — поры, трещины или включения шлака — которые при незаметном развитии способны привести к серьёзным отказам. Ручная проверка каждого шва медленна, дорога и подвержена человеческой ошибке, особенно на загруженных производственных участках. В этой работе представлена более быстрая и экономная система компьютерного зрения под названием YOLO-Air, предназначенная для автоматического обнаружения дефектов поверхности сварных швов в реальном времени, даже на аппаратуре с ограниченными ресурсами.

Ограничения традиционных средств контроля

Десятилетиями инспекция сварных соединений опиралась на физические методы испытаний: рентген, ультразвук, магнитные частицы и вихретоковые методы. Эти техники могут выявлять внутренние и поверхностные дефекты, но сопровождаются компромиссами: радиационные риски и требования к защите при рентгенографии, зависимость результатов от оператора при ультразвуковой диагностике, а также ограничения по материалам для магнитных и вихретоковых методов. Они также плохо справляются с объектами сложной формы и с внешними факторами, такими как освещение, температура или загрязнение поверхности. С ростом потребности в быстром и непрерывном контроле качества одних лишь устаревших инструментов становится недостаточно.

Рост популярности «умных» камер для контроля сварки

Последние достижения в глубоком обучении сделали возможным обнаружение дефектов напрямую по изображениям, с помощью алгоритмов, изначально разработанных для распознавания повседневных объектов. Среди них особенно привлекательны одностадийные детекторы семейства YOLO: они сочетатют хорошую точность с высокой скоростью, что важно для производств. Однако изображения сварных швов создают специфические трудности: фон засорён ржавчиной, пятнами и покрытием; дефекты могут быть крайне малыми и густо распределёнными; а сами дефекты различаются по форме и текстуре. Готовые модели либо пропускают тонкие дефекты, либо путают шум с реальными повреждениями, либо настолько «тяжелы», что их трудно развернуть на скромных GPU или встроенных устройствах.

Более компактный «мозг» для более чёткого восприятия

Авторы берут за основу современную модель YOLOv11 и преобразуют её в YOLO-Air — версию, ориентированную на эффективное обнаружение дефектов поверхности сварных швов. Они начинают с переработки «каркаса» сети (backbone), той части, которая сначала обрабатывает изображение. Новый блок извлечения признаков объединяет две идеи: «ghost»-механизм, который с помощью простых преобразований порождает дополнительные карты признаков с низкой стоимостью, и механизм динамических фильтров, который адаптируется к каждому входу, усиливая паттерны, связанные с реальными дефектами, и подавляя отвлекающие фоновые детали. Это даёт модели более богатое представление о дефектах разных размеров и форм без увеличения вычислительной нагрузки.

Ускорение информационных потоков

Далее команда облегчает среднюю часть сети — так называемый «шея» (neck), отвечающую за объединение грубой глобальной информации с тонкими локальными деталями. Они заменяют более тяжёлые операции на групповые и перетасованные (shuffled) свёртки, которые побуждают каналы делиться информацией и при этом снижают лишние вычисления. Переработанный блок агрегации дополнительно оптимизирует способ объединения признаков на разных масштабах. В совокупности эти изменения уменьшают избыточность обрабатываемых моделью данных, позволяя ей отслеживать крошечные дефекты на шумной поверхности сварного шва, оставаясь при этом очень быстрой.

Облегчённый выходной слой для работы в реальном времени

Наконец, авторы упрощают «голову» детектора — часть системы, превращающую внутренние признаки в ограничивающие рамки и решения о дефекте. Вместо применения полных свёрток ко всем каналам они используют частичную схему, которая обрабатывает только подмножество каналов, пропуская остальные без изменений. Это сокращает значительную долю параметров и операций с плавающей запятой, сохраняя при этом ключевую информацию, необходимую для локализации и классификации дефектов. В результате получился детектор одновременно компактный и отзывчивый, пригодный для онлайн-мониторинга на производственных линиях, где важна каждая миллисекунда.

Эффективность новой системы

Для оценки YOLO-Air исследователи протестировали её на двух открытых наборах данных по дефектам металлических поверхностей: одном, ориентированном на сварки, и другом — по общим дефектам стальной ленты. В сравнении с классическими и современными моделями детектирования — включая несколько версий YOLO и архитектуры на базе трансформеров — YOLO-Air демонстрирует оптимальный баланс точности, скорости и размера модели. На изображениях сварных швов она повышает качество обнаружения примерно на одно процентное пункт по сравнению с базовой YOLOv11, при этом сокращая число параметров более чем на 17 % и вычислительную нагрузку почти на треть. Модель также поддерживает несколько сотен кадров в секунду, легко удовлетворяя требованиям реального времени. Статистические тесты подтверждают, что эти улучшения не случайны.

Что это означает для промышленности

Практически YOLO-Air показывает, что возможно создать систему инспекции сварных швов, которая одновременно интеллектуальна и экономна, способная работать на обычных графических картах или встроенных процессорах без потери надёжности. Благодаря лучшему отличию реальных дефектов от безвредного поверхностного шума и обнаружению очень мелких повреждений, она может сократить число пропущенных проблем и ненужных ремонтов. Хотя модель ещё не внедрена в массовую эксплуатацию на заводах, исследование указывает ясный путь к компактным камерам-инспекторам, которые непрерывно следят за качеством критически важных сварных конструкций.

Цитирование: 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

Ключевые слова: обнаружение дефектов сварки, промышленное зрение, облегчённое глубокое обучение, детектирование объектов YOLO, автоматизация инспекции качества