Utformning av lättviktsmetod för detektion av ytdefekter i metall med YOLOv7-tiny med Anchor-Free-algoritm

Varför små fel i metall spelar roll

Från bilkarossen till balkarna i en skyskrapa finns stålplåtar överallt. Ändå kan hårfina sprickor, svaga repor eller små gropar i dessa metallytor tyst försvaga komponenter, förkorta deras livslängd och kosta tillverkare pengar. Att inspektera varje kvadratcentimeter för hand är långsamt och benäget för fel, så fabriker vänder sig till artificiell intelligens för att automatiskt upptäcka defekter när stål passerar på produktionslinjen. Denna artikel presenterar ett snabbare, lättare datorvisionssystem utformat för att i realtid fånga även mycket små och svårupptäckta defekter på metallytor.

Hur kameror och smart mjukvara övervakar stål

Modern defektinspektion bygger på digitala kameror och djupinlärning: mjukvara som lär sig mönster direkt från bilder. En populär familj av sådana system kallas YOLO, en förkortning av ”You Only Look Once”, som skannar en bild i ett svep och ritar rutor runt intressanta objekt. Författarna bygger vidare på en kompakt version kallad YOLOv7-tiny och anpassar den särskilt för industriell stålinspektion. Målet är att hålla modellen liten och snabb nog att köras på begränsad hårdvara samtidigt som den upptäcker ett brett spektrum av fel — från tunna svetssömmar och veck till runda gropar och fläckar — på rörliga stålremsor och plåtar.

Se defekter utan förinställda rutor

Tidigare YOLO-versioner förlitar sig på ”anchor boxes”, ett set fördefinierade former som modellen använder som utgångsgissningar för var objekt kan finnas. Dessa förinställda former fungerar visserligen, men de har svårt med extrema fall, som mycket långa, tunna sprickor eller mycket små prickar, och kan helt enkelt missa dem. Det nya systemet byter till ett ”anchor-free”-förhållningssätt: i stället för att börja från fasta rutor lär det sig att fokusera på defektens centrum och sedan förutsäga hur långt kanterna sträcker sig i fyra riktningar. Denna förändring gör detektorn mer flexibel och bättre lämpad för de ovanliga former och storlekar som verkliga defekter uppvisar, särskilt inom tung industri.

Få svaga fel att synas

På många stålytor är defekter knappt ljusare eller mörkare än omgivningen; de kan smälta in i det metalliska mönstret som en fläck i dimma. För att hjälpa datorn att se vad människor kan missa tillämpar författarna en tvåstegsprocess för kontrastförstärkning före detektionen. Först använder de en logaritmisk transformering som förstorar skillnader i de ljusa delarna av en gråskalebild — där både stål och defekter ofta samlas — samtidigt som mörkare områden komprimeras. Därefter sträcker de ut det resulterande ljushetsintervallet över hela skalan. Tillsammans skärper dessa steg subtila texturer kopplade till defekter samtidigt som bakgrundsmönster tonas ner, vilket ger detektorn tydligare visuella ledtrådar att arbeta med.

Mindre hjärna, skarpare fokus

För att hålla systemet lättviktigt ersätter forskarna YOLOv7-tinys ursprungliga kärna med ett mer kompakt nätverk kallat MobileNetV3-large, ursprungligen designat för smartphones och inbäddade enheter. Denna ”hjärna” använder specialiserade byggstenar för att minska antalet beräkningar utan att tappa särskilt mycket noggrannhet. Utöver detta lägger de till en attention-modul som lär sig att betona viktiga regioner — såsom små defekter — samtidigt som irrelevant bakgrund ignoreras. En särskild feature-pyramid-struktur blandar sedan information från olika bildskalor, så systemet kan känna igen både små och stora fel i samma bildruta. Teamet ometiketterade också noggrant två offentliga dataset med defektbilder för att korrigera saknade eller oprecisa markeringar, vilket säkerställer att systemet lärde sig från renare exempel.

Hur väl det nya systemet presterar

Den förbättrade detektorn testades på tre allmänt använda dataset för metalldefekter som sträcker sig från enkla, syntetiska mönster till komplexa verkliga stålremsor. Över dessa referensmätningar ökade den nya designen ett centralt noggrannhetsmått med cirka sex procentenheter i genomsnitt jämfört med standardmodellen YOLOv7-tiny, samtidigt som den fortfarande bearbetade mer än 90 bilder per sekund — tillräckligt snabbt för inspektion i realtid i många fabriker. Den jämfördes också väl med en rad toppmoderna detektorer och uppnådde högre noggrannhet än flera tyngre och nyare modeller när alla tränades på samma förbättrade ståldefektdatamängd.

Vad detta betyder för vardagliga produkter

I klarspråk visar studien att det är möjligt att bygga ett kompakt, effektivt visionssystem som pålitligt hittar mycket små, udda formade fel på snabbrörliga metallytor. Genom att kombinera smartare framhävning av defekter, mer flexibel rutförutsägelse, bättre uppmärksamhet på små detaljer och noggrann datarengöring levererar författarna ett verktyg som kan hjälpa ståltillverkare att upptäcka fler problem innan produkterna når vägen, fabriksgolvet eller byggarbetsplatsen. Resultatet är ett praktiskt steg mot säkrare, mer pålitliga metalldelar — och mot fabriker där intelligenta kameror tyst bevakar kvaliteten i bakgrunden.

Citering: Huang, YC., Lin, JC. & Wu, YZ. Design of lightweight metal surface defect detection technology for YOLOv7-tiny using Anchor-Free algorithm. Sci Rep 16, 8601 (2026). https://doi.org/10.1038/s41598-026-39233-9

Nyckelord: ytdefekter i metall, automatisk visuell inspektion, objektdetektion i realtid, lättviktig djupinlärning, industriell kvalitetskontroll