YOLO-DCF: двойная дистилляция и контекстно-учитывающий фьюжн для обнаружения дефектов

Более острый взгляд на фабричные дефекты

От смартфонов до автомобилей — современные изделия зависят от безупречной металлоконструкции и печатных плат. Тем не менее мелкие трещины или точки на этих поверхностях могут ускользнуть от внимания людей и даже обмануть многие компьютерные системы. В этом исследовании представлено новое средство искусственного интеллекта под названием YOLO-DCF, разработанное для быстрого и надежного обнаружения таких мелких, трудноразличимых дефектов на реальных производственных линиях.

Почему мелкие дефекты — большая проблема

Промышленные поверхности редко бывают чистыми и однородными. Стальные ленты показывают полосы и текстуры, а печатные платы заполнены тонкими дорожками и компонентами. Дефекты бывают разных форм и размеров — от едва заметных царапин до отсутствующих отверстий, часто сливаясь с пестрым или шумным фоном. Традиционная обработка изображений может пропускать тонкие повреждения, тогда как многие модели глубокого обучения требуют огромных размеченных наборов данных и испытывают сложности при изменении освещения, материалов или характера дефектов на заводе.

Более разумный подход к целостному восприятию

YOLO-DCF опирается на популярное семейство детекторов для работы в реальном времени и перестраивает способ, которым модель учитывает контекст изображения. Один из новых компонентов, называемый модулем контекстно‑направленного фьюжна, сначала анализирует горизонтальные и вертикальные направления, чтобы захватить более широкую структуру линий и областей, типичных для стального проката и плат. Затем он смешивает тонкие локальные детали с этим более широким обзором, так что мелкие метки интерпретируются в отношении окружения, что снижает путаницу от фоновых рисунков и повышает вероятность обнаружения дефектов с низкой контрастностью.

Одновременное увеличение в нескольких масштабах

Еще одно ключевое нововведение — мультишкальный остаточный блок, который позволяет сети одновременно рассматривать область через несколько «виртуальных линз». Параллельные пути в модели фокусируются на плотных локальных текстурах, средних формах и более крупных структурах, а этап реконфигурации затем сворачивает эти пути в более простую форму для быстрого использования. Такая архитектура помогает системе распознавать как тонкие трещины, так и большие пятна, не делая модель слишком тяжёлой для работы в реальном времени, сохраняя её компактность для развертывания на типичном промышленном оборудовании.

Обучение маленькой модели думать как большая

Чтобы сохранить эффективность, авторы используют стратегию двойной дистилляции, при которой более мощная версия той же сети направляет облегчённую. Вместо копирования лишь финальных предсказаний, модель‑ученик учится тому, как учитель соотносит разные области изображения между собой и как распределяет внимание по каналам признаков. Сопоставляя как пространственные отношения между блоками, так и акценты внутри каждого канала, меньшая модель сохраняет большую часть способности учителя выделять крошечные локализованные дефекты, оставаясь при этом быстрее и экономичнее в работе.

Проверка метода на практике

Исследователи оценили YOLO-DCF на двух широко используемых эталонных наборах: изображениях стальных поверхностей с шестью типами дефектов и наборе синтетических изображений печатных плат с шестью категориями неисправностей. В обоих случаях новая система показала более высокие показатели обнаружения по сравнению с сильной базовой моделью, добавив лишь умеренное число параметров. Были отмечены особенно заметные улучшения для тонких, низкоконтрастных дефектов, таких как ползучесть на стали и короткие замыкания на платах. Испытания с разммытием движения и шумом также продемонстрировали, что метод более устойчив к типичным проблемам промышленной съемки, поддерживая точное обнаружение при размытых или зернистых изображениях.

Что это значит для реальных фабрик

Для неспециалиста основной вывод таков: YOLO-DCF предлагает более внимательный и контекстно‑осведомлённый «взгляд» для автоматизированной инспекции. Объединяя широкое понимание сцены, мультишкальную фокусировку и эффективную передачу знаний, он лучше отличает реальные дефекты от безвредной текстуры, оставаясь при этом работоспособным в реальном времени. Такое сочетание точности, скорости и компактности модели делает её перспективным кандидатом для внедрения на производственных линиях, где как пропущенные дефекты, так и ложные срабатывания несут значительные издержки.

Цитирование: Xing, H., Yang, Z. YOLO-DCF: dual distillation and context-aware fusion for defect detection. Sci Rep 16, 15897 (2026). https://doi.org/10.1038/s41598-026-46602-x

Ключевые слова: обнаружение промышленных дефектов, инспекция поверхностей, компьютерное зрение, глубокое обучение, контроль качества