DEENet: en kantförstärkt CNN–Transformer dubbelkodare-modell för detektion av ytfel i stål

Varför små skador i stål spelar roll

Från bilar och broar till hushållsapparater lutar det moderna livet tyst på stål. Ändå kan tillförlitligheten hos alla dessa produkter undergrävas av defekter så små att de är svåra att upptäcka även i mikroskop. Denna studie presenterar DEENet, ett nytt datorseendesystem som automatiskt kan hitta subtila ytfel på stålband mer exakt och effektivt än befintliga verktyg, vilket hjälper fabriker att upptäcka problem tidigt, förbättra säkerheten och minska spill.

Utmaningen att se mycket små defekter

Stålytor får många typer av defekter under produktionen: fjällande fläckar, gropar, hårfina sprickor, inneslutningar av främmande material och repor. Traditionell inspektion förlitar sig på mänskliga operatörer eller enkla bildfilter, vilket är långsamt, inkonsekvent och lätt förvirrat av brusiga fabriksbakgrunder. Moderna "one-shot"-detektionsalgoritmer som YOLO-familjen kan skanna en bild i ett enda pass, men de missar fortfarande mycket små eller lågkontrasta defekter och suddar ofta ut kanterna på skadade områden. När gränserna mellan frisk och skadad yta är otydliga bedömer detektorer felaktigt storlek och läge, vilket leder till uteblivna upptäckter eller falska larm.

Att förena två sätt att se

DEENet tacklar problemet genom att kombinera två kompletterande sätt att betrakta en bild. Den ena grenen är ett klassiskt konvolutionsneuronätverk (CNN), som är bra på att fånga fina lokala texturer, som pyttesmå gropar eller tunna repor. Den andra grenen är ett Transformer-baserat nätverk, som delar bilden i patchar och utmärker sig på att fånga den bredare kontexten—hur mönster relaterar över hela stålremsan. I DEENet fungerar dessa två grenar som tvilling"ögon": det ena fokuserat på detalj, det andra på helheten. En specialbyggd Dual Channel Fusion-modul blandar sedan deras utdata, så att varje region i bilden beskrivs både av sin lokala textur och av sin roll i den övergripande scenen. Denna korskoppling gör systemet mer känsligt för små, tätt sittande defekter som äldre modeller tenderar att förbise.

Skärpa upp skadans kontur

Även med rika egenskaper kan detektorer fortfarande ha svårt att rita skarpa gränser runt defekter, särskilt när de tonar ut gradvis i bakgrunden. För att åtgärda detta utformar författarna en kantförstärkningsmodul, kallad C2f_EEM, som fokuserar specifikt på intensitetsförändringar vid gränserna mellan skadade och oskadade områden. Den skickar funktioner genom flera filter i olika storlekar för att fånga strukturer från tunna sprickor till bredare fläckar, och använder sedan en slags före-och-efter-jämförelse för att betona skarpa övergångar. Denna process framhäver det "höga frekvens"-innehåll där kanterna finns, vilket gör att sprickor och gropar framträder tydligare, och den gör det med lättviktig beräkning som lämpar sig för realtidsbruk på produktionslinjer.

Sätta systemet på prov

Forskarna utvärderar DEENet på en välanvänd benchmark för stålremsedefekter som inkluderar sex vanliga feltyper, var och en med hundratals provbilder. Jämfört med standarddetektorer baserade på YOLO och nyare Transformer-modeller uppnår DEENet en högre mean Average Precision—ett sammanfattande mått på hur ofta detektioner både är korrekta och väl placerade—och når 81,4%. Vinsterna är särskilt starka för den svåraste kategorin, crazing, som ser ut som ett fint nätverk av sprickor och typiskt har mycket låg kontrast. DEENet hittar inte bara fler av dessa knepiga defekter utan ritar också snävare rutor runt dem, samtidigt som den håller den totala beräkningskostnaden tillräckligt låg för praktisk användning. Ytterligare tester på en annan industridataset och på bilder med tillsatt brus och förändrat ljus visar att modellen förblir exakt även när förhållandena försämras.

Vad detta innebär för vardagliga produkter

Enkelt uttryckt visar studien att genom att ge ett maskinseendesystem två kompletterande "vyer" av samma stålyta—och lära det att skärpa kanter—kan defektdetektion bli både smartare och mer pålitlig. DEENets förbättrade förmåga att upptäcka små, svaga fel och att avgränsa dem precist kan hjälpa ståltillverkare att fånga problem tidigare, minska svinn och leverera mer konsekventa material för allt från skyskrapor till smartphones. Författarna noterar visserligen att vidare arbete behövs för att krympa modellen för lågströmssäkra enheter och för att testa den i mer varierade fabriksmiljöer, men deras resultat markerar ett steg mot säkrare, effektivare och mer automatiserad kvalitetskontroll inom tung industri.

Citering: Pan, W., Zhong, R., Huang, J. et al. DEENet: an edge-enhanced CNN–Transformer dual-encoder model for steel surface defect detection. Sci Rep 16, 6692 (2026). https://doi.org/10.1038/s41598-026-36390-9

Nyckelord: stålfel, datorseende, djuplärande, kvalitetsinspektion, industriell automation