DEENet: çelik yüzey kusuru tespiti için kenar-ölçümlü CNN–Transformer çift-kodlayıcı modeli

Çelikteki küçük kusurlar neden önemli

Otomobillerden köprülere, ev aletlerinden günlük kullanıma kadar modern yaşamın birçok alanı çeliğe dayanır. Ancak bu ürünlerin güvenilirliği, mikroskop altında bile fark edilmesi zor kadar küçük kusurlar tarafından zedelenebilir. Bu çalışma, fabrikaların sorunları erken yakalamasına, güvenliği artırmasına ve atığı azaltmasına yardımcı olmak üzere, çelik şeritlerdeki ince yüzey kusurlarını mevcut araçlardan daha doğru ve verimli biçimde otomatik olarak bulabilen yeni bir bilgisayarlı görü sistemi olan DEENet’i tanıtıyor.

Küçük kusurları görmekteki zorluk

Üretim sırasında çelik yüzeylerde pullanma, çukurlar, ince çatlaklar, yabancı madde inklüzyonları ve çizikler gibi birçok kusur oluşur. Geleneksel denetim insan çalışanlara veya basit görüntü filtrelerine dayanır; bunlar yavaş, tutarsızdır ve fabrikadaki gürültülü arka plan tarafından kolayca yanıltılabilir. YOLO ailesi gibi modern “tek geçiş” algılama algoritmaları bir görüntüyü hızlıca tarayabilse de çok küçük veya düşük kontrastlı kusurları kaçırır ve hasarlı bölgelerin kenarlarını sıklıkla bulanıklaştırır. Sağlıklı ve kusurlu çelik arasındaki sınırlar belirsiz olduğunda, tespitçiler boyutu ve konumu yanlış değerlendirir; bu da kusurların atlanmasına veya yanlış alarmlara yol açar.

İki görme biçimini harmanlamak

DEENet bu sorunu görüntüye iki tamamlayıcı bakış biçimini birleştirerek çözer. Bir dal klasik bir evrişimli sinir ağı (CNN) olup, ince çukurlar veya ince çizikler gibi yerel dokuları yakalamakta iyidir. Diğer dal ise görüntüyü yamalara bölen ve tüm çelik şeridin genel bağlamını—desenlerin nasıl ilişkilendiğini—yakalamada üstün olan bir Transformer tabanlı ağdır. DEENet’te bu iki dal birbirini tamamlayan “ikiz gözler” gibi çalışır: biri detaya, diğeri geniş resme odaklanır. Özel bir Çift Kanal Füzyon modülü (Dual Channel Fusion) daha sonra çıktılarını harmanlayarak görüntünün her bölgesinin hem yerel doku hem de genel sahnedeki rolüyle tanımlanmasını sağlar. Bu karşılıklı iletişim, daha eski modellerin gözden kaçırma eğiliminde olduğu küçük, yoğun kusurlara karşı sistemi daha hassas kılar.

Hasarın dış hatlarını keskinleştirmek

Zengin özellikler olsa bile, tespitçiler özellikle kusurlar arka plana yavaşça karıştığında net sınırlar çizmekte zorlanabilir. Bunu ele almak için yazarlar, C2f_EEM adlı bir kenar-özgünleştirme modülü tasarlar; bu modül özellikle hasarlı ve hasarsız alanlar arasındaki yoğunluk değişimlerine odaklanır. Özellikleri ince çatlaklardan daha geniş lekelerin yapısına kadar yakalamak için farklı boyutlarda birkaç filtreden geçirir, sonra keskin geçişleri vurgulamak için bir tür öncesi-sonrası karşılaştırması yapar. Bu işlem kenarların bulunduğu “yüksek frekanslı” içeriği öne çıkarır, çatlakları ve çukurları daha belirgin hâle getirir ve üretim hatlarında gerçek zamanlı kullanım için uygun hafif hesaplamalarla uygulanır.

Sistemi teste koymak

Araştırmacılar DEENet’i, her biri yüzlerce örnek görüntü içeren altı yaygın kusur türünü kapsayan yaygın bir çelik şerit kusur kıyas setinde değerlendirir. Standart YOLO tabanlı tespitçiler ve daha yeni Transformer tarzı modellerle karşılaştırıldığında DEENet, tespitlerin hem doğru hem de doğru yerleştirilme sıklığını özetleyen ortalama Doğruluk (mean Average Precision) ölçüsünde daha yüksek bir değer elde ederek %81,4’e ulaşır. Kazançlar özellikle düşük kontrastlı ve ince çatlak ağı görünümündeki en zor kategori olan crazing için güçlüdür. DEENet bu zor kusurları yalnızca daha sık bulmakla kalmaz, aynı zamanda etraflarına daha sıkı kutular çizer ve toplam hesaplama maliyetini pratik konuşlandırma için yeterince düşük tutar. Başka bir endüstriyel veri seti ve gürültü ile aydınlatma değişiklikleri eklenmiş görüntüler üzerinde yapılan ek testler, koşullar kötüleşse bile modelin doğruluğunu koruduğunu gösterir.

Günlük ürünler için bunun anlamı

Basitçe söylemek gerekirse, çalışma bir makine-görüş sistemine aynı çelik yüzeyin iki tamamlayıcı “görüşünü” vermenin ve kenarları keskinleştirmeyi öğretmenin kusur tespitini hem daha akıllı hem de daha güvenilir kılabileceğini gösterir. DEENet’in küçük, soluk kusurları saptama ve bunların sınırlarını hassas biçimde çizme yeteneğinin gelişmesi; çelik üreticilerinin sorunları daha erken yakalamasına, hurdayı azaltmasına ve gökdelenlerden akıllı telefonlara kadar her şey için daha tutarlı malzeme sağlamasına yardımcı olabilir. Yazarlar modelin düşük güçlü cihazlara küçültülmesi ve daha çeşitli fabrikalarda test edilmesi gerektiğini not etse de, sonuçları ağır sanayide daha güvenli, daha verimli ve daha otomatikleşmiş bir kalite kontrolüne doğru atılmış bir adımı işaret ediyor.

Atıf: Pan, W., Zhong, R., Huang, J. et al. DEENet: an edge-enhanced CNN–Transformer dual-encoder model for steel surface defect detection. Sci Rep 16, 6692 (2026). https://doi.org/10.1038/s41598-026-36390-9

Anahtar kelimeler: çelik kusurları, bilgisayarlı görü, derin öğrenme, kalite denetimi, endüstriyel otomasyon