Çelik yüzey kusurlarının ileri düzey tahmini için açıklanabilir hibrit YZ CAD çerçevesi

Çelikteki küçük kusurlar neden sizin için önemli olmalı

Arabalar ve gemilerden gökdelenlere ve robotlara kadar her gün güvendiğimiz birçok şey düz çelik levhalardan üretilir. Eğer küçük çatlaklar, çukurlar veya çizikler fabrikada fark edilmeden atlanırsa, bu yapıları zayıflatabilir, ürün ömürlerini kısaltabilir ve maliyetleri artırabilir. Bu makale, çelik yüzeylerdeki ince kusurları bugünün araçlarından daha doğru şekilde tespit edip açıklayan; aynı zamanda gerçek üretim hatlarında kullanılabilecek kadar hızlı bir yapay zeka (YZ) sistemi tanımlıyor.

Bugün çelik nasıl kontrol ediliyor—ve neden yetersiz kalıyor

Geleneksel çelik muayenesi insan işçilere veya basit görüntü işleme kurallarına dayanır. İnsanlar çabuk yorulur ve zayıf ya da düzensiz kusurları kaçırabilir. Kural tabanlı sistemler, aydınlatma, malzeme veya kusur şekli biraz değiştiğinde zorlanır; bu, gerçek fabrikalarda sıkça olur. Son yıllarda derin öğrenme modelleri, özellikle YOLO ailesi nesne algılayıcıları, kusurları otomatik bulacak şekilde eğitildi. Ancak bu tek adımlı sistemler iki çok farklı işi aynı anda yapmaya çalışır: kusurların etrafında sıkı kutular çizmek ve her birinin türünü belirlemek. Kusurlar küçük, tuhaf şekilli veya arka plan çeliğe benzediğinde, bu birleşik yaklaşım genellikle kusurları kaçırır veya kategorilerini karıştırır.

Daha keskin gözler için işi ikiye bölmek

Yazarlar, kusuru bulma ile adlandırmayı kasıtlı olarak ayıran "hibrit" bir bilgisayar destekli tanı (CAD) çerçevesi öneriyor. İlk olarak, Fusion YOLO adındaki geliştirilmiş bir algılayıcı her bölge için yalnızca basit bir evet-hayır sorusuna odaklanır: burada bir tür kusur var mı? Bu, DCBS-YOLO adında özel bir tasarım da dahil üç optimize edilmiş YOLO tabanlı modeli birleştirir ve örtüşen kutuları atmak yerine ortalamalarını alarak önerilerini birleştiren bir teknik kullanır. Bu yaklaşım, özellikle kusurlar küçük, tuhaf şekilli veya arka plana karşı zayıf göründüğünde, şüpheli bölgelerin daha güvenilir sınırlarını çizmeyi sağlar.

Sistemi hem detayları hem de bütünü görmeye öğretmek

Muhtemel kusur alanları belirlendikten sonra, ikinci aşama her birinin hangi tür kusur olduğunu—örneğin çatlak benzeri "crazing" işareti, çukur, yamuk veya çizik—karar verir. Burada çerçeve, ince dokuları yakalamada iyi olan birkaç konvolüsyonel sinir ağı (CNN) ile görüntüde daha geniş desenleri ve uzun menzilli ilişkileri görebilen bir Vision Transformer kombinasyonunu kullanır. Özellik haritaları birleştirilerek yerel detaylar ve global bağlam birlikte değerlendirilir. Bu düzenleme, hem insanlar hem de makineler için benzer görünen kusur türleri arasındaki karışıklıkları keskin biçimde azaltır. Çeşitli CNN aileleri arasında, Transformer ile birlikte en iyi üçlü uçtan uca eğitildiğinde kıyas veri setlerinde neredeyse mükemmel sınıflandırma skorları elde etti.

Görünümü temizlemek ve modelleri otomatik ayarlamak

YZ’ye başarılı olması için en iyi şansı vermek amacıyla, yazarlar çelik görüntülerini nazikçe geliştiren bir ön işleme boru hattı tasarlıyor. Parlaklık ve kontrastı ayarlayarak, gürültüyü azaltarak ve kenarları keskinleştirerek—aynı zamanda genel görüntü kalitesini dikkatle koruyarak—sistem zayıf kusurların ortaya çıkmasını sağlar ve yapay artefaktlar yaratmaz. Buna ek olarak, bir MLOps tabanlı iş akışı, öğrenme hızları ve batch boyutları gibi birçok eğitim ayarını otomatik olarak arayıp hem tespit hem de sınıflandırma için en etkili kombinasyonları bulur. Bu otomasyon deneme-yanılmayı azaltır ve nihai modellerin görev üzerindeki en iyi performanslarına yakın olmasını sağlar.

Görsel açıklamalarla kara kutuyu açmak

Endüstriyel kullanıcıların sistemi bir hatta kullanmadan önce güvenmesi gerektiğinden, çerçeve açıklanabilir YZ araçlarını içerir. Bir kusur etiketlendikten sonra Grad-CAM adlı bir yöntem, karar üzerinde en güçlü etkiye sahip görüntü parçalarını vurgulayan bir ısı haritası üretir. Bu renkli örtüşmeler, denetçilere yapay zekanın bir şeyi çatlak veya çukur olarak adlandırırken tam olarak nereye "baktığını" gösterir. İlk tespit aşaması bir kusuru kaçırırsa bile, sınıflandırma aşaması ve onun ısı haritaları şüpheli bölgeleri hâlâ ortaya çıkarabilir; bu, bir güvenlik ağı görevi görür ve mühendislerin kalan kör noktaları anlamasına yardımcı olur.

Bulguların gerçek dünya fabrikaları için anlamı

İki yaygın kullanılan çelik-kusur veri setinde test edildiğinde, yeni çerçeve hem standart YOLO modellerinden hem de birkaç son araştırma sisteminden daha iyi performans gösterdi; yüksek tespit doğruluğu ve sınıflandırma skorlarına ulaştı ve yeni kusur türlerine iyi genelleşti. İki aşamalı tasarım daha fazla hesaplama gerektirse ve ideal gerçek zamanlı hızın biraz altında kalsa da, şimdiden birçok üretim hattında gereken kare hızlarına yaklaşmaktadır. Daha fazla mühendislikle, yazarlar bu yaklaşımın daha hassas kusurları yakalayan, kararlarını açıklayan ve üreticilerin daha güvenli, daha güvenilir çelik bazlı ürünler sunmasına yardımcı olan pratik bir muayene asistanı haline gelebileceğini savunuyor.

Atıf: Moon, C., Al-antari, M.A. & Gu, Y.H. Explainable hybrid AI CAD framework for advanced prediction of steel surface defects. Sci Rep 16, 10796 (2026). https://doi.org/10.1038/s41598-025-34320-9

Anahtar kelimeler: çelik yüzey muayenesi, kusur tespiti, derin öğrenme, bilgisayarlı görü, açıklanabilir yapay zeka