SFD-YOLO för detektion av små fragmentpåverkansmärken i provning av stridsladdnings målplåt

Att se de allra minsta tecknen på påverkan

När en stridsladdning sprängs i ett kontrollerat test lär sig ingenjörer hur farlig den verkligen är genom att studera de små märken som fragmenten lämnar på stora metallplåtar. Idag sker den inspektionen ofta fortfarande för hand, vilket är långsamt, tröttande och känsligt för misstag — särskilt när de flesta påverkningsmärken är knappt synliga prickar. Denna artikel presenterar en artificiell intelligensmetod kallad SFD-YOLO som automatiskt kan upptäcka dessa mikroskopiska ärr i realtid, även under damm, dimma, oskärpa och varierande ljus, vilket lovar snabbare och mer tillförlitliga säkerhets- och prestandautvärderingar.

Varför små hål är viktiga

I stridsladdningsprov arrangeras metallmålplåtar i en ring runt en explosiv laddning. När anordningen detonerar slår höghastighetsfragment in i plåtarna och lämnar antingen rena hål där de går igenom eller grunda bucklor där de bara träffar ytan. Genom att räkna var och hur många av varje typ som uppträder kan ingenjörer dra slutsatser om hur fragment sprids i rummet och hur dödliga de skulle vara för verklig utrustning. Men märkena är mycket små och tätt grupperade, och utomhusprovfält är fyllda av damm, bländning och dåligt väder. Mänskliga inspektörer och traditionella bildbehandlingsverktyg har svårt att hänga med, vilket gör det svårt att få noggranna och snabba mätningar.

Att lära ett nätverk att titta en gång — men noggrant

Moderna objekt-detekteringssystem baserade på djupinlärning kan skanna bilder och rita rutor kring intressanta objekt på en bråkdel av en sekund. Bland dessa är YOLO-familjen känd för att erbjuda en god balans mellan hastighet och noggrannhet. Standardvarianter tenderar dock att missa mycket små objekt som bara upptar ett fåtal pixlar — exakt situationen i fragmentpåverkningsbilder. För att tackla detta bygger författarna vidare på den senaste YOLOv11-modellen och anpassar den specifikt för mikroskopiska märken på blanka metaller, genom att omdesigna flera nyckelkomponenter så att nätverket ägnar mer uppmärksamhet åt svaga detaljer utan att bli för stort eller långsamt.

Skärper fokus på fläckar och prickar

Den första förbättringen ligger i hur nätverket bearbetar råa bilder. Författarna introducerar ett funktionbearbetningsblock som rensar upp vad nätverket ser längs två dimensioner samtidigt: var funktioner dyker upp i bilden och vilka kanaler som bär den mest användbara informationen. Detta block undertrycker upprepade eller ovidkommande mönster och förstärker subtila kanter och texturer som antyder en verklig påverkan. De lägger också till en lättviktsutvinningsmodul som håller modellen kompakt genom att använda mer effektiva operationer, så att den kan köras snabbt på standardhårdvara samtidigt som de känsliga signalerna från små fragmentärr bevaras.

Att se i flera skalor samtidigt

Eftersom små påverkan lätt kan försvinna när bilder upprepade gånger förminskas inne i ett neuralt nät har författarna också omdesignat beslutsdelen av systemet. Istället för att titta på tre detaljnivåer lägger SFD-YOLO till ett fjärde, högupplöst lager dedikerat åt de allra minsta märkena. En speciell funktionspyramidstruktur blandar gradvis finare detaljer från ytliga lager med bredare kontext från djupare lager, vilket hjälper nätverket att både hålla reda på var ett märke sitter och hur det framträder från bakgrunden. Resultatet blir ett system som kan skilja mellan genomslagshål och ytbucklor, även när de sitter tätt tillsammans på en reflekterande plåt.

Sätta systemet på prov

För att träna och utvärdera sin metod samlade forskarna en dedikerad bildsamling från verkliga statiska detonationsexperiment, med tusentals högupplösta foton av målplåtar och manuellt märkta mer än tjugo tusen påverkningspunkter. Nästan nio av tio märken i denna samling klassas som ”små” enligt vanliga datorvisionsstandarder, vilket gör den till ett utmanande testfält. SFD-YOLO presterar inte bara bättre än en rad populära detektionsmodeller, inklusive flera andra YOLO-varianter och transformatorbaserade system, utan gör det med strax över två miljoner justerbara parametrar samtidigt som den bearbetar över hundra bilder per sekund. Modellen står sig också bättre än sin närmaste referens när bilder suddas ut, mörkas, ljusas upp eller överläggs med syntetisk dimma och damm, vilka efterliknar hårda fältförhållanden.

Från provfält till fabriksgolvet

I enkla termer visar studien att ett noggrant finjusterat neuralt nät kan upptäcka och klassificera nålsticksstora skademärken på stora metallplåtar med mycket hög tillförlitlighet, och göra det tillräckligt snabbt för realtidsanvändning under explosionsprovning. SFD-YOLO förvandlar det som tidigare var en mödosam manuell räkneuppgift till ett automatiserat, robust mätverktyg. Utöver värdering av stridsladdningar kan samma idéer tillämpas i andra situationer där små ytdefekter på metall är viktiga, till exempel inspektion av valsat stål, kraftnätskomponenter eller andra industriella komponenter för defekter som är lätta för människor — och för standardalgoritmer — att missa.

Citering: Liu, H., Ding, Y., You, W. et al. SFD-YOLO for small-object fragment impact detection in warhead target-plate testing. Sci Rep 16, 9291 (2026). https://doi.org/10.1038/s41598-026-40457-y

Nyckelord: detektion av små föremål, fragmentpåverkansprovning, kontroll av metallytor, YOLO neurala nätverk, industriell defektdetektion