Polisilisyum Üretiminde Çelik Yüzey Kusur Tespiti için Çok Ölçekli Difüzyonla Geliştirilmiş Dikkat Ağı

Çelikteki küçük kusullar neden bir anda çok önemli hale geliyor

Her parlak güneş panelinin arkasında, modern fotovoltaiklerin kalbindeki ultra saf malzeme olan polisilisyumu rafine eden bir orman kadar çelik kule bulunur. Bu kulelerde mikroskobik çatlaklar veya çukurlar oluşursa, üretimi durdurabilecek ya da daha kötüsü işçi güvenliğini tehlikeye atabilecek şekilde metali sessice zayıflatabilirler. Bu makale, çıplak gözle neredeyse görünmez olsa bile bu tür kusurları hızlı ve güvenilir biçimde tespit edebilen yeni bir yapay zeka sistemini tanıtıyor; bu da daha güvenli ve daha verimli güneş üretimine açılan bir yol sunuyor.

Güneş fabrikaları ve gizli zayıflıkları

Polisilisyum distilasyon kuleleri zorlu koşullar altında çalışır: yaklaşık 1.000–1.200 °C sıcaklıklar, aşındırıcı buharlar, parlak yansımalar ve karmaşık görsel arka planlar. Çelik yüzeylerinde saç teli inceliğinde mikroçatlaklar, küçük çukurlar, silikon tortuları, çizikler, kaynak kusurları ve kirlenme lekeleri gibi çeşitli kusurlar ortaya çıkabilir. Her biri boyut, şekil ve doku bakımından farklı görünür ve birçoğu arka plana karışır. Geleneksel denetim yöntemleri büyük ölçüde insan uzmanlara veya standart bilgisayarlı görü araçlarına dayanır; her iki yaklaşım da gürültülü sahnelerde soluk, düzensiz kusurları gerçek zamanlı olarak ayırt etmekte zorlanır. Fotovoltaik üretimin ölçeği büyüdükçe, bu durum kalite kontrol ve tesis güvenliği için ciddi bir darboğaz haline gelir.

Zorlu kusurlar için daha akıllı bir göz

Araştırmacılar, bu sert endüstriyel ortam için özel olarak tasarlanmış MSEOD-DDFusionNet adlı bir derin öğrenme sistemi öneriyor. Tek bir tek parça ağ yerine, mevcut tespitçilerin temel zayıflıklarını çözen dört işbirlikçi modülden oluşan bir boru hattı kuruyorlar. İlk olarak, çok ölçekli ince ayrıntıları koruyan bir özellik birleştirme aşaması var; böylece küçük kusurlar ağ içinde görüntüler sıkıştırıldığında yok olmaz. Ardından, sistemin filtrelerini dinamik olarak yeniden şekillendirmesine izin veren bir dinamik konvolüsyon aşaması, gerçek çatlakların, çukurların ve tortuların tuhaf konturlarına uyum sağlamayı kolaylaştırır. Üçüncü modül, gürültüyü bastırma ile zayıf sinyalleri güçlendirme görevlerini ayırır; böylece kırılgan kusur desenleri silinmek yerine güçlendirilir. Son olarak, bir difüzyon tabanlı aşama, parlama, bulanıklık ve termal artefaktlar gibi gerçekçi gürültülerle başa çıkmayı öğretir; bozulmuş özellikleri temizlerken kusurların yayılmasını engellemeyi öğrenir.

Drone görüntülerinden güvenilir kararlara

Yöntemlerini test etmek için ekip, işletme ekipmanından birkaç metre yüksekte süzülen bir drone tarafından yakalanan 6.252 yüksek çözünürlüklü görüntüden oluşturulmuş DDTE adında yeni bir endüstriyel veri kümesi oluşturdu. Uzmanlar altı kritik kusur türünü kesin sınırlayıcı kutularla etiketledi ve yüksek uyum sağlamak için birbirlerinin çalışmalarını kontrol ettiler. Yeni sistem daha sonra YOLO ailesi gibi popüler nesne tespit modelleri ve birkaç dönüştürücü tabanlı yöntemle karşılaştırıldı; karşılaştırma yalnızca DDTE üzerinde değil, aynı zamanda halka açık çelik kusur kıyas setlerinde ve günlük fotoğraflar (PASCAL VOC) ile kan hücresi mikroskobu (BCCD) gibi alakasız alanlarda da yapıldı. Bu çeşitli testlerin tümünde MSEOD-DDFusionNet daha fazla kusuru tutarlı biçimde buldu, bunları daha doğru konumlandırdı ve en güçlü temel modellerden daha hızlı çalıştı; üstelik birçok rakibe göre daha az parametre kullandı.

Performansın sayılarla anlattığı

Temel DDTE veri kümesi üzerinde yeni sistem, standart bir tespit eşiğinde (mAP50) %82,6 ortalama hassaslığa ve daha katı eşiklerde %61,6'ya ulaştı; güçlü bir YOLO tabanlı modele göre üstünlük sağlarken neredeyse 200 kare/saniye hızla çalıştı. Özellikle çukurlar ve kaynak kusurları gibi karmaşık şekillerin ve aydınlatmanın diğer yöntemleri sıkça şaşırttığı kategorilerde belirgin kazançlar gösterdi. Ek çelik veri kümelerinde, çatlaklar ve inklüzyonlar gibi düzensiz kusurların tanınmasında keskin gelişmeler sağladı. Aynı mimari günlük sahnelere ve tıbbi görüntülere aktarıldığında bile yüksek doğruluk ve yüksek hızı korudu; bu da daha iyi çok-ölçekli ayrıntı işleme, şekil uyumu ve sağlam gürültü modellemesi gibi tasarım ilkelerinin yalnızca polisilisyum tesislerinde değil, daha geniş uygulamalarda da faydalı olduğunu gösteriyor.

Sanayi ve ötesi için anlamı

Uzman olmayan biri için sonuç şudur: Yazarlar makineler için daha dikkatli, daha uyumlu ve daha dayanıklı bir "göz" seti inşa ettiler. Ağlarının ince detayları nasıl koruduğunu, tuhaf şekilleri nasıl takip ettiğini ve yanıltıcı gürültüyü nasıl görmezden gelmeyi öğrendiğini titizlikle tasarlayarak, neredeyse en iyi düzeyde doğruluk elde ederken sistemi fabrika sahasında gerçek zamanlı konuşlandırmaya yetecek kadar hafif tuttular. Pratik olarak bu, güneş malzemesi tesislerindeki çelik kulelerin daha hızlı ve daha güvenilir denetlenebilmesi, beklenmeyen arızaların riskinin azalması ve ürün kalitesinin artması anlamına geliyor. Aynı fikirler boru hatlarından köprülere ve tıbbi taramalara kadar diğer güvenlik açısından kritik ortamlara da uygulanabilir; çünkü güvenli bir sistem ile tehlikeli bir sistem arasındaki fark, birkaç piksel büyüklüğündeki kusurlarda gizli olabilir.

Atıf: Duan, Y., He, L., Wang, Z. et al. Multiscale diffusion-enhanced attention network for steel surface defect detection in Polysilicon Production. Sci Rep 16, 5307 (2026). https://doi.org/10.1038/s41598-026-35913-8

Anahtar kelimeler: çelik yüzey kusurları, polisilisyum üretimi, endüstriyel denetim, derin öğrenme tespiti, bilgisayarlı görü