En förbättrad lättvikts-YOLOv11-algoritm för upptäckt av svetsytafel

Varför små fel i svetsar spelar roll

Från broar och fartyg till skyskrapor och rörledningar förlitar sig otaliga metallkonstruktioner på svetsade fogar för att förbli säkra och starka. Ytorna på dessa svetsar kan dock dölja små fel — som porer, sprickor eller inneslutna slaggpartiklar — som kan växa till allvarliga fel om de förblir oupptäckta. Att inspektera varje svets för hand är långsamt, kostsamt och utsatt för mänskliga misstag, särskilt i hektiska fabriker. Denna artikel presenterar ett snabbare, mer strömlinjeformat datorvisionssystem, kallat YOLO-Air, designat för att automatiskt och i realtid upptäcka svetsytafel, även på hårdvara med begränsade resurser i industrimiljöer.

Begränsningar hos traditionella inspektionsverktyg

I årtionden har svetsinspektion byggt på fysiska testmetoder såsom röntgen, ultraljud, magnetpulver och virvelströmmar. Dessa tekniker kan avslöja interna och ytliga defekter, men de innebär kompromisser: strålningsrisker och skyddsbehov vid radiografi, operatörsberoende för ultraljud, samt materialbegränsningar för magnet- och virvelströmsprovning. De har också svårt med objekt som har komplexa former och med miljövariationer som ljusförhållanden, temperatur eller ytföroreningar. Med industrins ökande behov av snabb, kontinuerlig kvalitetskontroll räcker dessa äldre verktyg inte längre ensamma.

Smarta kameror för svetsar på frammarsch

Senare års framsteg inom djupinlärning har gjort det möjligt att upptäcka fel direkt från bilder, med algoritmer som ursprungligen utvecklades för vardaglig objektigenkänning. Bland dessa är så kallade enstegsdetektorer som YOLO-familjen särskilt attraktiva för fabriker eftersom de kombinerar god noggrannhet med hög hastighet. Svetsbilder medför dock ovanliga utmaningar: bakgrunder fyllda med rost, fläckar och beläggningar; extremt små och tätt packade defekter; och flera defekttyper som varierar i form och textur. Färdiga modeller missar antingen subtila fel, förväxlar brus med verkliga skador eller är så tunga att de är svåra att distribuera på modest GPU-kapacitet eller inbyggda enheter.

En smalare hjärna för skarpare ögon

Författarna bygger vidare på senaste YOLOv11-modellen och omformar den till YOLO-Air, en version anpassad för att effektivt upptäcka svetsytafel. De börjar med att omarbeta backbone, den del av nätverket som först bearbetar bilden. Ett nytt funktionsutvinningsblock kombinerar två idéer: en "ghost"-mekanism som återanvänder enkla transformationer för att generera extra feature maps med låg kostnad, och en dynamisk filtermekanism som anpassar sig till varje ingång och framhäver mönster förknippade med verkliga defekter samtidigt som störande bakgrundsdetaljer nedtonas. Detta ger modellen en rikare förståelse för defekter i olika storlekar och former utan att öka beräkningsbördan.

Snabbare informationsflöde

Nästa steg är att lätta upp mitten av nätverket, känt som neck, som ansvarar för att blanda grov, global information med fina, lokala detaljer. De ersätter tyngre operationer med grupperade och blandade (shuffled) konvolutioner som uppmuntrar kanaler att dela information samtidigt som onödig beräkning minskas. Ett omdesignat aggregeringsblock effektiviserar ytterligare hur features i olika skalor kombineras. Tillsammans minskar dessa ändringar redundans i vad modellen måste bearbeta, vilket gör att den kan hålla koll på mycket små defekter spridda över en brusig svetsyta samtidigt som den fortfarande körs mycket snabbt.

En sparsmakad utgång för realtidsbruk

Slutligen förenklar författarna detektionshuvudet — den del av systemet som omvandlar interna features till begränsningsboxar och felavgöranden. Istället för att applicera fullständiga konvolutioner på varje kanal använder de ett partiellt schema som endast bearbetar en delmängd av kanalerna och låter resten passera oförändrade. Detta minskar en stor del av modellens parametrar och flyttalsoperationer, samtidigt som den väsentliga information som behövs för lokalisering och klassificering av defekter bevaras. Resultatet är en detektor som är både kompakt och snabb, vilket gör den lämplig för online-övervakning i produktionslinjer där varje millisekund räknas.

Hur väl det nya systemet presterar

För att utvärdera YOLO-Air testar forskarna den på två publika dataset med metallytedefekter: ett fokuserat på svetsar och ett annat på allmänna defekter i stålsjok. Jämfört med en rad klassiska och moderna detektionsmodeller — inklusive flera versioner av YOLO och transformer-baserade konstruktioner — levererar YOLO-Air den bästa balansen mellan noggrannhet, hastighet och modellstorlek. På svetsbilder förbättrar den detektionskvaliteten med cirka en procentenhet över YOLOv11-baslinjen samtidigt som antalet parametrar minskas med mer än 17 procent och beräkningsbördan med nästan en tredjedel. Den upprätthåller också flera hundra bilder per sekund i genomströmning, vilket lätt möter realtidskraven. Statistiska tester bekräftar att dessa förbättringar inte beror på slumpen.

Vad detta betyder för industrin

I praktiska termer visar YOLO-Air att det är möjligt att bygga ett svetsinspektionssystem som är både smart och resurssnålt, och som kan köras på vanliga grafikkort eller inbyggda processorer utan att offra tillförlitlighet. Genom att bättre skilja verkliga defekter från ofarlig ytstörning och genom att fånga mycket små fel kan det minska både förbisett problem och onödiga reparationer. Även om modellen ännu inte rullats ut i full skala i fabriker antyder studien en tydlig väg mot kompakta, kamerabaserade inspektörer som kontinuerligt bevakar kvaliteten hos kritiska svetsade konstruktioner.

Citering: Zhang, R., Pan, C., Chen, Z. et al. An improved lightweight YOLOv11 algorithm for weld surface defect detection. Sci Rep 16, 11440 (2026). https://doi.org/10.1038/s41598-026-41568-2

Nyckelord: upptäckt av svetsfel, industriell vision, lättviktig djupinlärning, YOLO-objektigenkänning, automatisering av kvalitetsinspektion