Gerçek zamanlı yüzey çatlak tespiti için hafif bir YOLO11n seg çerçevesi

Neden ince çatlaklar önemlidir

Yollarda, köprülerde ve binalarda gizli kalan çatlaklar zararsız görünebilir, ancak genellikle bir yapının yıprandığının ilk uyarı işaretleridir. Bu çizgileri erken yakalamak, pahalı onarımları veya hatta felaketli arızaları önleyebilir. Yine de çoğu denetim hâlâ yüzeylerde yaya veya yavaş araçla yapılan kontrollerle, notların elle tutulması şeklinde gerçekleştiriliyor. Bu çalışma, küçük ve kompakt bir yapay zeka sisteminin çatlakları gerçek zamanlı olarak nasıl tespit edip konturlarıyla birlikte çıkarabildiğini; güçlü veri merkezleri yerine dronlar, küçük robotlar ve düşük güçlü sensörlerde çalışacak kadar hızlı olabileceğini araştırıyor.

Elle kontrollerden makine görüşüne

Mühendisler uzun zamandır kenar tespiti ve eşikleme gibi geleneksel görüntü işleme yöntemleriyle çatlak tespitini otomatikleştirmeye çalıştı. Bu yöntemler temiz laboratuvar ortamlarında işe yarar, ancak gölgeler, lekeler ve pürüzlü dokular gibi gerçek dünyadaki etkenler basit algoritmaları çabucak şaşırtır. Son yıllarda derin öğrenme oyunu değiştirdi: sinir ağları çatlakların görüntü üzerindeki görünümünü doğrudan öğrenebiliyor. Erken sürümler küçük görüntü yamalarının çatlak içerip içermediğini söyleyebilse de çatlağın tam olarak nerede olduğunu işaretlemede zorlanıyordu ve canlı denetimler için genellikle çok yavaştı.

İnce bir model çatlakları nasıl görmeyi öğrenir

Yazarlar, tek bir hızlı geçişte nesneleri tespit etmesiyle bilinen bilgisayarlı görü modelleri ailesi YOLO üzerine inşa ediyor. Çatlakların kaba kutularını çizmek yerine onların tam şeklini izlemeye uyarlanmış çok küçük bir versiyon olan YOLO11n-seg üzerine odaklanıyorlar. Model, her çatlak pikselinin işaretlendiği 11.000'den fazla dikkatle etiketlenmiş yol görüntüsü içeren Crack-Seg veri seti üzerinde eğitiliyor. Görüntüler standart bir formata yeniden boyutlandırılıyor ve ağa veriliyor; ağ zamanla gerçek hasarın ince, kıvrımlı desenlerini doku veya kir gibi zararsız arka plan öğelerinden ayırt etmeyi öğreniyor.

İnce detaylar için akıllı hileler

Pürüzlü beton üzerindeki saç çizgisi çatlakları tespit etmek için model iki tasarım yöntemi kullanıyor. Birincisi, C3k2 adlı özel bir yapı bloğu küçük ile bir miktar daha büyük görme pencereleri arasında otomatik geçiş yaparak hem çok ince hem de daha uzun çatlakları takip etmeyi sağlıyor. İkincisi, C2PSA adlı uzamsal dikkat modülü modelin olası çatlak bölgelerine odaklanmayı, yağ lekeleri, gölgeler veya desenli yüzeyler gibi dikkat dağıtıcıları görmezden gelmeyi öğretiyor. Bu eklemeler birlikte sistemin çatlakları daha temiz sınırlarla çıkarmasına ve arka plan kusurlarını yapısal hasar olarak yanlış sınıflandırma olasılığını azaltmasına yardımcı olurken, modelin mütevazı donanımlarda çalışacak kadar küçük kalmasını sağlıyor.

Ağır donanım gerektirmeden hızlı sonuç

Testlerde, hafif ağ yalnızca yaklaşık 2,8 milyon parametre içeriyor—birçok modern derin öğrenme sistemine kıyasla çok küçük—ancak performansı daha büyük, daha yavaş tasarımlarla benzer düzeyde. Crack-Seg ölçütünde çatlak bölgelerini yaklaşık %79 doğrulukla tanıyor ve tahmin edilen çatlak şekillerinin gerçeğe ne kadar iyi uyduğuna dair güçlü skorlar elde ediyor. Kritik olarak, her görüntüyü standart bir GPU'da yaklaşık 3,6 milisaniyede işliyor; bu da saniyede yüzlerce kareye karşılık geliyor. U-Net, Mask R-CNN ve önceki bir YOLO varyantı gibi yaygın kullanılan modellerle karşılaştırıldığında, segmentasyon doğruluğu açısından rekabetçi veya daha iyi sonuç verirken dramatik şekilde daha hızlı çalışıyor; bu da dronlardan veya denetim araçlarından gelen sürekli video akışları için pratik olmasını sağlıyor.

Otomatik yapısal kontrollere doğru

Uzman olmayanlar için temel çıkarım, bu çalışmanın artık sadece çatlakları bulmakla kalmayıp aynı zamanda gerçek zamanlı izleme için yeterince hızlı olarak onların tam şekil ve boyutunu da izleyebilen küçük, verimli yapay zeka araçları oluşturmanın mümkün olduğunu göstermesidir. Çok sönük çatlaklar zayıf ışıkta veya kötü hava koşullarında hâlâ zorluk teşkil etse de önerilen YOLO11n-seg sistemi hız ile güvenilirlik arasında umut verici bir denge sunuyor. Sahaya entegrasyon ve iyileştirmelerle bu tür modeller şehirlerin ve kurumların hasarı daha erken tespit etmesine, onarımları önceliklendirmesine ve hayati altyapıları daha az elle müdahale ile daha güvenli tutmasına yardımcı olabilir.

Atıf: Tiwari, S., Gola, K.K., Kanauzia, R. et al. A lightweight YOLO11n seg framework for real time surface crack detection with segmentation. Sci Rep 16, 6566 (2026). https://doi.org/10.1038/s41598-026-37073-1

Anahtar kelimeler: altyapı çatlakları, bilgisayarlı görü, derin öğrenme, gerçek zamanlı denetim, YOLO segmentasyonu