Çelik yüzey kusuru tespiti için güven–gradyan yeniden ağırlıklandırma ve hafif özellik geliştirme algoritması

Çeliğin Kalitesi İçin Daha Keskin Gözler

Otomobillerden köprülere, akıllı telefonlara kadar modern yaşam, az kusurlu çeliklere dayanır. Çelik yüzeyindeki küçük çizikler, oyuklar veya dâhil olan yabancı parçacıklar ürünleri zayıflatabilir veya ömrünü kısaltabilir; buna rağmen bu kusurlar genellikle çok küçük ve düşük kontrastlı olduğundan ileri düzey kameralar ve yazılımlar tarafından bile gözden kaçırılır. Bu makale, otomatik muayene sistemlerinin bu ince kusurları daha güvenilir ve hızlı bir şekilde tespit etmesine yardımcı olan GRACE adlı yeni bir bilgisayarla görme yöntemini tanıtıyor; amaç güvenliği ve üretim verimliliğini artırmaktır.

Neden Küçük Kusurlar Yakalanması Zor?

Çelikhanelerde ve elektronik fabrikalarında kalite kontrol ekipleri, her bir metal şeridi rulo halinde geçerken yüksek hızlı kameralar ve algoritmalar kullanarak tarar. Zorluk, birçok kusurun çok küçük, düzensiz şekilli ve çelik yüzeyinin karmaşık dokularından zar zor ayrışıyor olmasıdır. Geleneksel kural tabanlı sistemler, elle ayarlanmış eşikler ve el yapımı özelliklere dayanır; bunlar ışıklandırma, gürültü veya üretim koşullarındaki değişikliklerle kolayca bozulabilir. Derin öğrenme sistemleri durumu iyileştirmiş olsa da hâlâ iki temel sorunla mücadele eder: birincisi, bazı kusur türleri diğerlerinden çok daha nadir ortaya çıkar, bu yüzden model yaygın örüntülerden daha çok şey öğrenme eğiliminde olup nadir ama önemli kusurları göz ardı eder; ikincisi, ağın erken katmanları genellikle bir kusuru zararsız arka plan desenlerinden ayıran ince doku ve kenar detaylarını kaybeder.

Daha Akıllı Bir Eğitim Stratejisi

GRACE algoritması, YOLO11s adındaki modern, hızlı bir nesne tespit modelinin üzerine kuruludur ve iki hedeflenmiş iyileştirme ekler. Birincisi, Dinamik Örnekleme ve Güven-Gradyan Dengeli Örnekleme Mekanizması (DS-CBSM++), modelin her görüntüyü nasıl gördüğünü değiştirmek yerine eğitimin nasıl yapıldığını değiştirir. Eğitim sırasında GRACE, modelin her bir kusur hakkındaki güvenini ve o sınıf için öğrenme sinyali (gradyan) büyüklüğünü sürekli izler. Nadir veya düşük güvenli kusur türleri ve modelin zor bulduğu görüntüler daha sık örneklenir; kolay, aşırı temsil edilen durumlar daha az örneklenir. Bu uyarlanabilir yeniden ağırlıklandırma, gerçek dünya kullanımında modeli şişirmeden veya yavaşlatmadan ağın zor ve az temsil edilen kusurlara ekstra dikkat vermesine yardımcı olur.

Hafif Ağırlıklı Detay Geliştirme

İkinci iyileştirme, Hafif Özellik Geliştirme Ağı (Lite-FEN), küçük kusurların bulunduğu görüntü detaylarına odaklanır. Kenarların ve dokuların en görünür olduğu erken bir özellik katmanına kompakt bir dikkat (attention) modülü ekler. Basit kanal ve uzamsal dikkat işlemleri aracılığıyla Lite-FEN, çatlak benzeri çizgiler veya küçük oyuklar gibi anlamlı yapıları andıran sinyalleri güçlendirirken alakasız arka plan dokusunu bastırır. Kritik olarak, bu ek işlem yalnızca küçük sayıda parametre ekler ve hesaplamayı düşük tutar; böylece dedektör, üretim hatlarında gerçek zamanlı muayene için hâlâ yeterince hızlı çalışır.

Veri Setleri Genelinde Daha İyi Tespit

GRACE’i test etmek için yazarlar onu üç kamu çelik yüzey kusur veri setinde değerlendirdi. Yaygın olarak kullanılan NEU-DET kıyasında GRACE, temel YOLO11s modeline kıyasla önemli bir doğruluk skorunu (ortalama hassasiyet, mAP) iyileştirdi; hız ve model boyutunu ise neredeyse aynı tutarak—yaklaşık 9.56 milyon parametre ve standart çözünürlükte saniyede yaklaşık 60 görüntü. Kazanımlar özellikle çatlama ve çukurlu yüzeyler gibi küçük, düşük kontrastlı kusur türlerinde güçlüydü. GC10-DET ve X-SDD adlı iki başka veri setinde yapılan ek deneyler, GRACE’in avantajlarının tek bir görüntü koleksiyonuna bağlı olmadığını gösterdi: arka plan dokuları ve kusur türleri değişse bile daha fazla gerçek kusuru yakalamaya devam etti ve kusur sınırlarının daha keskin yerelleştirmesini üretti.

Endüstri İçin Anlamı

Bir uzman olmayan için temel mesaj şu: GRACE, otomatik muayene sistemlerinin çok küçük, zor fark edilen kusurları daha net görmesine yardımcı olur; bunu daha büyük bilgisayarlar veya daha yavaş üretim hızları gerektirmeden yapar. Eğitimi nadir ve zor örneklere yönlendirerek ve modelin ince dokulara odaklanmasını nazikçe netleştirerek GRACE, kaçırılan kusurları ve yanlış alarmları azaltır; özellikle gerçek fabrika koşullarına benzeyen karmaşık, gürültülü görüntülerde etkilidir. Yöntem şu ana kadar kamu veri setleri üzerinde çevrimdışı test edilmiş olsa da tasarımı gerçek üretim hatlarına entegrasyon için hazırdır; böylece çelik ürünleri daha güvenli, daha güvenilir ve üretimde daha az israfla ortaya çıkartabilir.

Atıf: Chen, L., Guo, C., Wu, X. et al. Confidence–gradient reweighting and lightweight feature enhancement algorithm for steel surface defect detection. Sci Rep 16, 5676 (2026). https://doi.org/10.1038/s41598-026-36543-w

Anahtar kelimeler: çelik yüzey kusurları, otomatik görsel muayene, derin öğrenme tespiti, küçük nesne tespiti, endüstriyel kalite kontrolü