Viktning med konfidensgradient och lättviktigt funktionsförstärkningsalgoritm för detektion av defekter på stålytor

Skarpare ögon för stålkvalitet

Från bilar och broar till smartphones är det moderna livet beroende av stål med få defekter. Små repor, gropar eller inneslutningar på en stålyta kan försvaga produkter eller förkorta deras livslängd, men dessa fel är ofta så små och lågkontrastiga att även avancerade kameror och mjukvara missar dem. Denna artikel introducerar GRACE, en ny datorvisionsmetod som hjälper automatiserade inspektionssystem att upptäcka dessa subtila defekter mer pålitligt och snabbt, med målet att förbättra både säkerhet och tillverkningseffektivitet.

Varför små fel är svåra att hitta

I stålverk och elektronikfabriker förlitar sig kvalitetskontrollteam på högfrekventa kameror och algoritmer för att skanna varje meterrulle när den rullar förbi. Utmaningen är att många defekter är små, oregelbundna i form och knappt står ut från stålytan komplexa texturer. Traditionella regelbaserade system förlitar sig på handanpassade tröskelvärden och handgjorda features, vilka lätt kan kastas omkull av förändringar i belysning, brus eller produktionsförhållanden. Djupinlärningssystem har förbättrat situationen, men de kämpar fortfarande med två huvudproblem: för det första uppträder vissa defekttyper mycket mindre ofta än andra, så modellen tenderar att lära mer från vanliga mönster och ignorera sällsynta men viktiga fel; för det andra tappar nätverkets tidiga lager ofta de fina textur- och kantdetaljer som skiljer en defekt från ofarliga bakgrundsmönster.

En smartare träningsstrategi

GRACE-algoritmen bygger på en modern, snabb objekt-detektionsmodell kallad YOLO11s och lägger till två noggrant inriktade förbättringar. Den första, kallad Dynamic Sampling med Confidence-Gradient Balanced Sampling Mechanism (DS-CBSM++), ändrar hur modellen tränas snarare än hur den analyserar varje bild. Under träning övervakar GRACE kontinuerligt hur säker modellen är på varje defekt och hur stort inlärningssignalen, det vill säga gradienten, är för den klassen. Sällsynta eller lågkonfidensdefekttyper och bilder som modellen finner svåra samplas oftare; enkla, överrepresenterade fall samplas mindre. Denna adaptiva omviktning hjälper nätverket att ägna extra uppmärksamhet åt svåra, underrepresenterade defekter utan att göra modellen större eller sakta ner den i verklig användning.

Lättviktig detaljförstärkning

Den andra förbättringen, Lightweight Feature Enhancement Network (Lite-FEN), fokuserar på bilddetaljerna där små defekter finns. Den kopplar på en kompakt uppmärksamhetsmodul till ett tidigt feature-lager, där kanter och texturer är mest synliga. Genom enkla kanal- och rumsliga uppmärksamhetsoperationer förstärker Lite-FEN signaler som liknar meningsfulla strukturer—såsom sprickliknande linjer eller små gropar—samt dämpar irrelevant bakgrundstextur. Avgörande är att denna extra bearbetning bara lägger till ett litet antal parametrar och håller beräkningen låg, så detektorn fortfarande körs tillräckligt snabbt för realtidsinspektion på produktionslinjer.

Bättre detektion över dataset

För att testa GRACE utvärderade författarna den på tre publika dataset för defekter på stålytor. På det välanvända NEU-DET-benchmarket förbättrade GRACE ett nyckelmått för noggrannhet (mean average precision) jämfört med basmodellen YOLO11s, samtidigt som den behöll nästan samma hastighet och modellstorlek—ungefär 9,56 miljoner parametrar och nära 60 bilder per sekund vid standardupplösning. Vinsterna var särskilt starka för små, lågkontrastdefekttyper såsom crazing och pitted surfaces. Ytterligare experiment på två andra dataset, GC10-DET och X-SDD, visade att GRACE:s fördelar inte var knutna till en enda bildsamling: den fortsatte att återfinna fler verkliga defekter och producerade skarpare lokalisering av felgränser, även när bakgrundstexturer och defekttyper ändrades.

Vad detta betyder för industrin

För en icke-specialist är huvudbudskapet att GRACE hjälper automatiserade inspektionssystem att se små, svårupptäckta fel tydligare, utan att kräva större datorer eller lägre produktionstakt. Genom att styra träningen mot sällsynta och svåra exempel och varsamt skärpa modellens fokus på fina texturer minskar GRACE både missade defekter och felaktiga larm, särskilt i komplexa, brusiga bilder som liknar verkliga fabriksförhållanden. Även om metoden hittills testats offline på publika dataset är dess utformning redo för integration i verkliga produktionslinjer, där den kan göra stålprodukter säkrare, mer pålitliga och mindre slösaktiga att tillverka.

Citering: Chen, L., Guo, C., Wu, X. et al. Confidence–gradient reweighting and lightweight feature enhancement algorithm for steel surface defect detection. Sci Rep 16, 5676 (2026). https://doi.org/10.1038/s41598-026-36543-w

Nyckelord: defekter på stålytor, automatiserad visuell inspektion, djupinlärningsdetektion, detektion av små objekt, industriell kvalitetskontroll