Легковесная система обнаружения металлографических дефектов с использованием структурированных априорных сведений и энерго‑чувствительного внимания при сильных помехах от зерен

Почему мелкие дефекты в стали имеют значение

От автомобильных передач до труб высокого давления многие повседневные машины используют один и тот же рабочий материал: низкоуглеродистую сталь, часто обозначаемую как AISI 1020. Прежде чем инженеры доверят этой стали, они исследуют отполированные и травлёные шлифы под микроскопом, чтобы оценить внутреннюю структуру металла. Но если поверхность образца сама по себе запятнана, поцарапана или неровная, эти дефекты подготовки могут выдаваться за настоящие проблемы материала. В статье представлен новый легковесный инструмент на основе искусственного интеллекта, который способен быстро и надёжно обнаруживать такие тонкие дефекты подготовки, даже когда они почти теряются на фоне сложной микроструктуры зерен.

Задача обнаружения слабых дефектов

При сильном увеличении сталь выглядит как мозаика мелких областей — зерен, разделённых сложными сетями границ зерен. Эти границы образуют плотную высоко‑контрастную текстуру, которая легко заглушает слабые сигналы от дефектов подготовки, таких как водные пятна, остатки травильного раствора или слегка неровные поверхности. Стандартные модели компьютерного зрения, включая популярные детекторы YOLO, исходят из предположения, что объекты чётко выделяются на фоне окружения. В металлографии чаще происходит обратное: фон силен и структурирован, а дефекты слабы и нерегулярны по форме и размеру. По мере того как изображения многократно сжимаются внутри глубокой сети, эти слабые сигналы легко размываются, что приводит к пропуску дефектов или путанице между безвредной текстурой и реальными повреждениями.

Адаптированная система обнаружения для металлографии

Чтобы справиться с этой проблемой, авторы разработали RSS‑YOLOv10 — настраиваемый вариант современного детектора в реальном времени YOLOv10, специально оптимизированный для микроскопических изображений стали. Они взяли наименьшую «нано» версию YOLOv10, чтобы сохранить компактность модели и избежать переобучения на сложных узорах зерен. На этой базе они переработали ключевые блоки в извлекателе признаков и этапах их объединения, чтобы система могла справляться с экстремальным разнообразием размеров дефектов — от крошечных ямок до широких пятен — без значительного роста вычислительной нагрузки. При этом сохранён энд‑ту‑энд подход обучения YOLOv10, что устраняет трудоёмкую постобработку и хорошо подходит для быстрой промышленной инспекции.

Как новые компоненты работают вместе

Ядром RSS‑YOLOv10 является новый модуль RepHMA, который заменяет стандартные блоки в базовой сети. RepHMA обрабатывает каждый фрагмент изображения через несколько параллельных ветвей, «смотрящих» на разные размеры окрестности, а затем объединяет их в единый эффективный блок для использования во время реального обнаружения. Такой мульти‑масштабный взгляд помогает модели улавливать как крошечные пятна, так и большие размытые области. Второй компонент, механизм внимания SimAM, действует как фильтр: он сравнивает каждую мелкую область с её окружением и усиливает те, которые сильно отличаются от повторяющейся текстуры зерен. Важно, что SimAM не добавляет дополнительных обучаемых параметров, сохраняя лёгкость модели. Наконец, переработанный блок «SlimNeck» объединяет информацию с разных уровней разрешения, используя специально подобранные свёртки, которые сохраняют полезные детали и при этом сокращают избыточные вычисления.

Создание и тестирование на реальных данных по стали

Поскольку существующие наборы металлографических изображений обычно ориентированы на идеальные, лишённые дефектов образцы, команда составила собственный эталонный набор 20 S‑PDD. Он содержит более 1200 микроскопических изображений 20 образцов стали, подготовленных в лаборатории, с тремя типами дефектов подготовки, аккуратно размеченными экспертами: водяные пятна, остатки коррозионного раствора и участки с неровной поверхностью. Авторы обучили и оценили RSS‑YOLOv10 на этом датасете и сравнили его с базовым YOLOv10n и несколькими известными детекторами, включая Faster R‑CNN, SSD, YOLOv5, YOLOv8 и одну модель реального времени на основе трансформера. Они также протестировали метод на отдельном публичном датасете дефектов поверхности стали в более крупном масштабе, чтобы проверить его обобщаемость за пределами микроскопических изображений.

Что показывают результаты

На металлографическом наборе 20 S‑PDD RSS‑YOLOv10 показал более высокую точность, полноту и общую эффективность обнаружения по сравнению со всеми моделями сравнения, увеличив среднюю точность (mAP) почти на четыре процентных пункта по сравнению с базовым YOLOv10n при меньшем числе операций с плавающей запятой. Особенно хорошо он справлялся с разграничением пятен и остатков коррозионных жидкостей от окружающей текстуры зерен, снижая как количество пропущенных дефектов, так и ложные срабатывания. На отдельном датасете NEU‑DET, посвящённом дефектам поверхности стали, модель вновь превосходит базу, что говорит о том, что ключевые конструктивные решения устойчивы к разным типам структурированных металлических изображений. Визуализации внутренних «тепловых карт» модели подтверждают, что она сосредотачивается именно на реальных дефектах, в то время как границы зерен в основном игнорируются.

Почему это важно для практики

Для металлографических лабораторий и инженеров по контролю качества предложенная система даёт возможность автоматически скринировать подготовленные образцы на предмет дефектов подготовки до углублённого анализа истинной микроструктуры стали. Поскольку RSS‑YOLOv10 компактен и эффективен, он может работать в реальном времени на стандартном настольном оборудовании или встроенных устройствах, что делает его практичным для рутинного использования вместе с существующими микроскопами. Хотя текущая работа сосредоточена на одном сорте стали и ограниченном наборе образцов, подход прокладывает путь к более широким автоматизированным проверкам металлографического качества, сокращая усталость и непоследовательность при ручной оценке и защищая последующие измерения, лежащие в основе решений, критичных для безопасности инженерных систем.

Цитирование: Shen, Z., Deng, Q., Wu, Z. et al. A lightweight metallographic defect detection framework via structured priors and energy-aware attention under strong grain boundary interference. Sci Rep 16, 10969 (2026). https://doi.org/10.1038/s41598-026-45556-4

Ключевые слова: обнаружение металлографических дефектов, микроструктура стали, инспекция с помощью глубокого обучения, автоматизированная микроскопия, детекция объектов YOLO