Metod för detektering av ytfel i flygindustrins aluminium baserad på flerskalig konvolution och uppmärksamhetsmeknik

Varför små defekter i metall verkligen spelar roll

Från flygplansvingar till mobilskal måste aluminiumdelar vara nästintill perfekta. Mikroskopiska repor, luftbubblor i färg eller små gropar på en metallyta kan utvecklas till sprickor som hotar säkerheten, förkortar produktens livslängd eller tvingar fram kostsamma återkallelser. Att inspektera varje del visuellt är långsamt och felbenäget, och även många automatiserade kameror missar de minsta felen. Denna studie utforskar en ny artificiell intelligens-metod som kan upptäcka extremt små defekter på aluminiumytor mer tillförlitligt och i industriell takt.

Dolda faror på slät metall

Aluminiumprofiler är de långa stång- och panelkomponenterna som används i flygplanskroppar, vingar, bränsletankar och många andra konstruktioner. Trots att de kan se släta ut kan deras ytor innehålla en mängd olika problem: brister i skyddsskikt, områden med dålig ledningsförmåga, apelsinskalstruktur, repor, smutsfläckar, färgbubblor, strimmor från färgsprut, gropar och läckor i hörn. Dessa defekter är ofta bara några pixlar breda i en högupplöst bild och kan smälta in i reflexer eller bakgrundsbrus. Traditionell inspektion, vare sig den utförs av människor eller äldre maskinsynssystem, har svårt att skilja sådana små märken från ofarlig textur, särskilt när belysningen och bakgrunden är komplexa.

Att lära en kamera att titta en gång — men noggrant

Under senare år har objektidentifieringssystem baserade på djupinlärning — särskilt YOLO (”You Only Look Once”)-familjen — blivit populära i fabriker för att hitta defekter. YOLOv11, en nyare version, är redan snabb och noggrann för många uppgifter, men tenderar fortfarande att missa mycket små defekter på aluminium. Författarna bygger vidare på den lättviktiga YOLOv11n-varianten och omarbetar dess inre lager för att uppmärksamma finare detaljer utan att sakta ner modellen för mycket. Deras angreppssätt kombinerar tre huvudidéer: ett smartare sätt att fånga mönster i flera skalor samtidigt, ett sätt för nätverket att fokusera på de mest informativa pixlarna, och en mer försiktig metod för att förstora små mönster så att modellen inte tappar dem under bearbetningen.

Se detaljer i många skalor

Den första nyheten är en omdesignad funktionsutvinningsmodul, kallad C3k2-DWR-DRB, som ersätter ett standardblock i YOLOv11n. I vardagliga termer låter detta block nätverket betrakta samma bildruta med flera ”zoomnivåer” samtidigt — mycket nära för mikrorepor, något vidare för färgbubblor och ännu vidare för fläckar eller färgförändringar. Den använder speciella dilaterade konvolutioner och en teknik som sammansmälter flera filterbanor till en enda effektiv väg, så att modellen kan se både fin textur och större former utan att bli tung eller långsam. Grundare lager fokuserar på hårfina repor, medan djupare lager fångar bredare defekter som oljefläckar, vilket förbättrar igenkänningen av både små och stora fel i ett enhetligt system.

Hjälpa modellen att uppmärksamma där det räknas

Nästa steg är att forskarna lägger till en uppmärksamhetsmodul kallad SimAM nära nätverkets slut. Istället för att introducera många nya parametrar uppskattar SimAM hur viktig varje litet område i funktionskartan är genom att mäta hur annorlunda det är jämfört med sin omgivning. Områden som sticker ut — som en svag bubbla eller en smutspärla — förstärks, medan enhetliga bakgrundsområden tonas ner. Detta gör detektorn mer känslig för verkliga defekter och mindre benägen att bli distraherad av reflexer eller ofarlig textur, vilket i sin tur minskar missade upptäckter och falska alarm.

Återskapa små mönster utan att göra dem suddiga

En tredje nyckelkomponent är uppsamplingoperatorn CARAFE, som ersätter de vanliga ”utsträcknings”-metoderna som används i många neurala nätverk. Standardtekniker som närmaste granne eller bilinjär interpolation kan sudda ut just de detaljer som är viktigast för små defekter. CARAFE lär sig istället hur man återsätter funktioner baserat på lokal kontext och avgör effektivt hur varje ny pixel bör formas utifrån sina grannar. Denna innehållsmedvetna rekonstruktion skapar skarpare, mer informativa kartor över små mål, vilket gör bubblor, gropar och fläckar enklare för detektorn att låsa på.

Sätta metoden på prov

För att utvärdera sitt system använde författarna ett offentligt industriellt dataset med aluminiumytbilder från en online-tävling och kontrollerade noggrant alla defektetiketter. De utökade också datasetet med små rotationer, speglingar och skalningar så att modellen skulle se defekter under varierade villkor. På denna benchmark nådde deras förbättrade YOLOv11n-modell ett medelvärde för precision (mAP) på 79,4 % vid en vanligt använd tröskel och en recall på 76,6 %, vilket innebär att den hittar fler av de verkliga defekterna än den ursprungliga YOLOv11n samtidigt som modellen förblir kompakt. Den visade särskilt starka förbättringar på svåra små och ”extremt små” mål som färgbubblor och smutsfläckar, och bibehöll realtidsprestanda med omkring 178 bilder per sekund på ett kraftfullt grafikkort.

Vad detta betyder för vardagsteknik

För icke-specialister är slutsatsen att författarna byggt ett smartare, slankare ”öga” för fabriker: ett kamera- och algoritmsystem som i realtid kan upptäcka nästan osynliga defekter på aluminiumytor. Genom att klokt kombinera flerskalig analys, uppmärksamhet och omsorgsfull uppsampling förbättrar deras metod både noggrannhet och tillförlitlighet utan att kräva enorma beräkningsresurser. Om metoden testas vidare under tuffare verkliga förhållanden och anpassas till lågdriftshårdvara kan detta tillvägagångssätt bidra till att göra flygplan, fordon, elektronik och andra metallbaserade produkter säkrare och mer tillförlitliga, samtidigt som det minskar avfall och inspektionskostnader.

Citering: Zhang, R., Cai, S., He, Z. et al. Aerospace aluminum surface defect detection method based on Multi-Scale Convolution and attention mechanism. Sci Rep 16, 6428 (2026). https://doi.org/10.1038/s41598-026-37293-5

Nyckelord: aluminiumytans fel, industriell inspektion, djupinlärningsdetektion, YOLO-objektdetektering, flygmaterials