Сверточная сеть с многомасштабным слиянием и прогрессивной дилатацией для обнаружения заметных объектов в реальном времени на поверхности лентовой стали

Почему мелкие дефекты на стали важны

От кузовов автомобилей до мостов — длинные ленты стали ежедневно выходят с производственных линий. Даже крошечные ямки или царапины на этих стрипах могут ослабить конечный продукт или потребовать дорогостоящей доработки. Осматривать каждый сантиметр невооружённым глазом при промышленных скоростях невозможно, поэтому на заводах полагаются на компьютерное зрение. В этом исследовании предложен новый метод анализа изображений, который быстро и надёжно обнаруживает поверхностные дефекты на лентовой стали, успевая за реальными производственными потоками.

Видеть то, что выделяется

Авторы сосредоточены на задаче, называемой обнаружением заметных объектов, когда компьютер выделяет наиболее визуально заметные области на изображении. На ленте стали такими областями обычно являются дефекты — пятна, участки или царапины. Ранние методы на основе глубокого обучения уже превосходят вручную разработанные фильтры, но многие из них слишком медленны или тяжёлы для работы в реальном времени. Другие испытывают трудности, когда дефекты имеют разный размер или проявляются при различном освещении, что часто встречается в условиях загруженного производства.

Рассмотрение деталей и общей картины

Чтобы решить эти проблемы, исследователи разработали новую сеть MSFNet-PD. В её основе — разбиение входного изображения на несколько слоёв признаков, каждый из которых захватывает разный уровень детализации. Ключевая идея — многомасштабное слияние: модель одновременно анализирует тонкую локальную текстуру и более крупные формы, а затем объединяет эту информацию. Это помогает отличать слабую царапину от обычной текстуры и распознавать неправильные пятна, не соответствующие типичному узору стали. Вместо тяжёлых блоков внимания конструкция опирается на упрощённые соединения, сохраняющие лёгкость вычислений.

Шаг за шагом — расширяя поле зрения

Вторая идея — прогрессивная дилатация. Проще говоря, модель начинает с анализа небольших окрестностей пикселей и затем постепенно расширяет своё поле зрения по мере продвижения признаков глубже по сети. Такое пошаговое увеличение «поля зрения» позволяет системе улавливать как мелкие, так и крупные дефекты, не размывая важные границы. За счёт продуманной последовательности дилатированных фильтров сеть захватывает длинные тонкие царапины, крошечные включения и широкие пятна, сохраняя при этом чёткие границы между повреждёнными и неповреждёнными участками.

Достаточно быстро для производственной линии

Команда протестировала MSFNet-PD на общедоступном наборе изображений лентовой стали, включающем три основных типа дефектов. Их сравнили с широким спектром существующих моделей — от тяжёлых высокоточных систем до ультралёгких решений, оптимизированных под скорость. Подход показал устойчивый баланс: он сопоставим или превосходит по качеству многие точные методы при значительно большей скорости работы, обрабатывая тысячи изображений в секунду на современном графическом процессоре. Тщательные эксперименты показали, что сочетание нескольких размеров дилатации и слияние признаков на разных масштабах критично для этого баланса скорости и точности.

Что это означает для промышленности

Для неспециалиста главный вывод таков: исследование предлагает более умный «мозг» для камер на линиях контроля стали. MSFNet-PD может в реальном времени сканировать движущиеся металлические ленты, выделять вероятные дефекты с чёткими контурами и делать это с умеренными вычислительными ресурсами. Авторы отмечают необходимость дополнительных испытаний на других материалах и в других цехах, но их результаты указывают на то, что такие лёгкие многомасштабные конструкции могут помочь производителям обнаруживать дефекты раньше и надёжнее, повышая безопасность и снижая отходы без замедления производства.

Цитирование: Zhang, Z., Zou, Y., Liu, X. et al. Multi-scale fusion convolution network with progressive dilation for real-time salient object detection of surface defects on strip steel. Sci Rep 16, 15387 (2026). https://doi.org/10.1038/s41598-026-43386-y

Ключевые слова: дефекты ленты стали, обнаружение заметных объектов, инспекция в реальном времени, глубокое обучение, промышленное зрение