YOLO-DCF: dual distillation and context-aware fusion for defect detection

Skarpare blick för fabriksfel

Från smartphones till bilar förlitar sig moderna produkter på felfritt metall- och kretskortsmaterial. Ändå kan små sprickor eller fläckar på dessa ytor undgå mänskliga inspektörer och till och med vilseleda många datorbaserade system. Denna studie introducerar ett nytt AI-verktyg kallat YOLO-DCF, utformat för att snabbt och pålitligt upptäcka dessa små, svårupptäckta defekter på riktiga produktionslinjer.

Varför små defekter är ett stort problem

Industriella ytor ser sällan rena och enkla ut. Stålrullar visar streck och texturer, och kretskort är fyllda med fina linjer och komponenter. Defekter förekommer i många former och storlekar, från svaga repor till saknade hål, och smälter ofta in i en rörig eller brusig bakgrund. Traditionell bildbehandling kan missa subtila fel, medan många djupinlärningsmodeller kräver enorma märkta datamängder och kan få svårt när belysning, material eller defektmönster ändras i fabriken.

Ett smartare sätt att läsa hela bilden

YOLO-DCF bygger vidare på en populär realtidsdetekteringsfamilj och omformar hur modellen förstår kontext i en bild. En ny komponent, kallad kontextstyrd fusionsmodul, betraktar först horisontella och vertikala riktningar för att fånga den bredare layouten av linjer och områden som är vanliga i stålytor och kretskort. Den blandar sedan fina lokala detaljer med detta bredare perspektiv så att små märken tolkas i relation till sin omgivning, vilket minskar förväxling med bakgrundsmönster och förbättrar möjligheten att upptäcka lågkontrastdefekter.

Zooma in i flera skalor samtidigt

En annan viktig innovation är ett flerskaligt residualblock som låter nätverket granska varje område genom flera virtuella linser samtidigt. Parallella vägar i modellen fokuserar på täta lokala texturer, medelstora former och större strukturer, medan en omkonfigurationssteg senare slår ihop dessa vägar till en enklare form för snabb användning. Denna design hjälper systemet att känna igen både tunna sprickor och större fläckar utan att bli för tungt för realtidskörning, vilket håller modellen tillräckligt kompakt för att driftsättas på typisk industr hårdvara.

Lära en liten modell att tänka som en stor

För att hålla systemet effektivt använder författarna en dubbel destillationsstrategi, där en starkare version av samma nätverk vägleder en lättare. Istället för att bara kopiera slutliga prediktioner lär sig elevmodellen hur läraren relaterar olika bildregioner till varandra och hur den fördelar uppmärksamhet över feature-kanaler. Genom att matcha både de rumsliga relationerna mellan block och betoningen inom varje kanal bevarar den mindre modellen mycket av lärarens förmåga att lyfta fram små, lokala defekter samtidigt som den förblir snabbare och mer ekonomisk att köra.

Sätta metoden på prov

Forskarna utvärderade YOLO-DCF på två vitt använda referensdataset: bilder av stålytor med sex typer av defekter och en uppsättning syntetiska kretskortsbilder med sex felkategorier. På båda uppnådde det nya systemet högre detektionspoäng än en stark baslinje samtidigt som det bara lade till ett måttligt antal parametrar. Det visade särskilda förbättringar för fina, lågkontrastfel såsom sprickbildning i stål och kortslutningar på kort. Tester med rörelseoskärpa och brus antydde dessutom att metoden är mer robust mot vanliga industriella bildproblem och bibehåller noggrann detektion när bilder blir suddiga eller korniga.

Vad detta innebär för verkliga fabriker

För en icke-specialist är slutsatsen att YOLO-DCF erbjuder en mer varsam och kontextmedveten blick för automatiserad inspektion. Genom att kombinera bredare scenförståelse, flerskaligt fokus och effektiv kunskapsöverföring kan den bättre skilja verkliga defekter från ofarlig textur samtidigt som den fortfarande arbetar i realtid. Denna balans mellan noggrannhet, hastighet och modellstorlek gör den till en lovande kandidat för implementering på produktionslinjer där missade fel och falska larm båda innebär höga kostnader.

Citering: Xing, H., Yang, Z. YOLO-DCF: dual distillation and context-aware fusion for defect detection. Sci Rep 16, 15897 (2026). https://doi.org/10.1038/s41598-026-46602-x

Nyckelord: industriell felförebyggande upptäckt, ytainspektion, datorseende, djupinlärning, kvalitetskontroll