Çok Ölçekli Konvolüsyon ve dikkat mekaniğine dayalı havacılık alüminyum yüzey kusuru tespit yöntemi

Metaldeki küçük kusurlar neden gerçekten önemlidir

Uçak kanatlarından akıllı telefon gövdelerine kadar alüminyum parçaların neredeyse kusursuz olması gerekir. Mikroskobik çizikler, boya içindeki kabarcıklar veya metal yüzeydeki küçük çukurlar, güvenliği tehdit eden çatlaklara dönüşebilir, ürün ömrünü kısaltabilir veya maliyetli geri çağırmalara yol açabilir. Her parçayı gözle denetlemek yavaş ve hataya açık olup, birçok otomatik kamera hâlâ en küçük kusurları kaçırır. Bu çalışmada, alüminyum yüzeylerdeki son derece küçük kusurları sanayi hızlarında ve daha güvenilir biçimde tespit edebilen yeni bir yapay zekâ yöntemi incelenir.

Pürüzsüz metalin sakladığı tehlikeler

Alüminyum profiller, uçak gövdelerinde, kanatlarda, yakıt tanklarında ve birçok yapıda kullanılan uzun çubuklar ve panellerdir. Pürüzsüz görünmelerine rağmen yüzeylerinde koruyucu katman kaçakları, iletkenlik sorunlu bölgeler, portakal kabuğu dokuları, çizikler, kir lekeleri, boya kabarcıkları, boya püskürtme izleri, çukurlar ve köşe kaçakları gibi çok çeşitli problemler olabilir. Bu kusurlar genellikle yüksek çözünürlüklü bir görüntüde yalnızca birkaç piksel genişliğindedir ve yansımalar veya arka plan gürültüsüne karışabilir. Geleneksel denetimler, ister insan ister eski makine-görü sistemiyle yapılsın, aydınlatma ve arka plan karmaşık olduğunda bu tür küçük işaretleri zararsız dokudan ayırt etmekte zorlanır.

Bir kameraya bir kere bakmayı ama dikkatle bakmayı öğretmek

Son yıllarda, özellikle YOLO ("You Only Look Once") ailesine dayanan derin öğrenme tabanlı nesne tespit sistemleri fabrikalarda kusurları bulmak için popüler hale geldi. Yeni bir sürüm olan YOLOv11, birçok görevde hızlı ve doğru olsa da alüminyum üzerindeki çok küçük kusurları hâlâ kaçırma eğilimindedir. Yazarlar, hafif olan YOLOv11n varyantı üzerinde çalışarak iç katmanlarını çok ince ayrıntılara daha fazla dikkat edecek şekilde yeniden düzenleyip hızdan çok ödün vermemeyi hedefliyor. Yaklaşımları üç ana fikri birleştirir: aynı anda birden çok ölçekte desenleri yakalamanın daha zeki bir yolu, ağın en bilgilendirici pikselere odaklanmasını sağlayan bir dikkat mekanizması ve küçük desenleri işlemler sırasında kaybetmemek için daha dikkatli bir yükseltme yöntemi.

Birden çok ölçekte ayrıntıları görmek

Birinci yenilik, C3k2-DWR-DRB adını taşıyan ve YOLOv11n’deki standart bir bloğun yerini alan yeniden tasarlanmış özellik çıkarma modülüdür. Günlük anlatımla bu blok, ağın aynı görüntü yamasını birden fazla “büyütme seviyesi” ile aynı anda görmesini sağlar—mikro çizikler için çok yakın, boya kabarcıkları için biraz daha geniş ve lekeler veya renk değişimleri için daha geniş. Özel dilate konvolüsyonlar ve birkaç filtre yolunu tek verimli bir yolda birleştiren bir teknik kullanır, böylece model hem ince dokuları hem de daha büyük şekilleri ağırlaşmadan veya yavaşlamadan görebilir. Yüzeye yakın (sığ) katmanlar ince çizgilere odaklanırken, daha derin katmanlar yağ lekeleri gibi geniş kusurları izler; bu, hem küçük hem büyük kusurların tek bir birleşik sistemde daha iyi tanınmasını sağlar.

Modelin önemli olan yerlere dikkat etmesine yardımcı olmak

Sonraki adımda araştırmacılar, ağın sonunda SimAM adlı bir dikkat modülünü ekler. Birçok yeni parametre getirmek yerine SimAM, özellik haritasındaki her küçük bölgenin çevresinden ne kadar farklı olduğunu ölçerek ne kadar önemli olduğunu tahmin eder. Belirginleşen alanlar—örneğin zayıf bir kabarcık veya bir kir tanesi—güçlendirilirken, tekdüze arka plan bölgeleri azaltılır. Bu, dedektörü gerçek kusurlara karşı daha duyarlı hale getirir ve yansımalar veya zararsız dokular tarafından dikkatinin dağılma olasılığını düşürür; sonuçta kaçırılan tespitleri ve yanlış alarmları azaltır.

Küçük desenleri bulanıklaştırmadan yeniden inşa etmek

Üçüncü kilit öğe, birçok sinir ağında kullanılan geleneksel “germe” yöntemlerinin yerini alan CARAFE üst örnekleme operatörüdür. En yakın komşu veya çift doğrusal (bilinear) enterpolasyon gibi standart teknikler, küçük kusurlar için en önemli ayrıntıları bulanıklaştırabilir. CARAFE bunun yerine yerel bağlama dayalı olarak özellikleri yeniden birleştirmeyi öğrenir ve her yeni pikselin komşularından nasıl oluşturulacağına karar verir. Bu içerik-bilinçli yeniden yapılandırma, küçük hedeflerin daha keskin ve bilgi verici haritalarını oluşturur; böylece kabarcıklar, çukurlar ve lekeler dedektörün kilitlenmesini kolaylaştırır.

Yöntemi teste sokmak

Sistemlerini değerlendirmek için yazarlar, çevrimiçi bir yarışmadan alınmış alüminyum yüzey görüntülerine sahip halka açık bir endüstriyel veri kümesini kullandı ve tüm kusur etiketlerini dikkatle yeniden kontrol ettiler. Ayrıca modelin kusurları farklı koşullar altında görmesi için veri kümesini küçük dönüşler, çeviriler ve ölçeklendirmelerle genişlettiler. Bu kıyaslamada, geliştirilmiş YOLOv11n modelleri yaygın kullanılan bir eşik değerinde %79,4 ortalama hassasiyete ve %76,6 geri çağırma oranına ulaştı; bu, modeli kompakt tutarken orijinal YOLOv11n’e kıyasla gerçek kusurların daha fazlasını bulduğu anlamına geliyor. Özellikle boya kabarcıkları ve kir lekeleri gibi zor küçük ve “aşırı küçük” hedeflerde güçlü kazanımlar gösterdi ve güçlü bir grafik kartında saniyede yaklaşık 178 kare ile gerçek zamanlı hızı korudu.

Günlük teknoloji için bunun anlamı

Uzman olmayanlar için çıkarım şudur: Yazarlar fabrikalar için daha akıllı, daha yalın bir “göz” oluşturdu—alüminyum yüzeylerde neredeyse görünmez kusurları gerçek zamanlı olarak fark edebilen bir kamera ve algoritma sistemi. Çok ölçekli analiz, dikkat ve dikkatli üst örneklemeyi akıllıca birleştirerek yöntemleri, büyük hesaplama kaynakları gerektirmeden hem doğruluğu hem de güvenilirliği artırıyor. Daha zorlu gerçek dünya koşullarında daha fazla test edilip düşük güçlü donanıma uyarlanırsa, bu yaklaşım uçakları, araçları, elektronik ürünleri ve diğer metal tabanlı ürünleri daha güvenli ve güvenilir hale getirirken atığı ve denetim maliyetlerini azaltmaya yardımcı olabilir.

Atıf: Zhang, R., Cai, S., He, Z. et al. Aerospace aluminum surface defect detection method based on Multi-Scale Convolution and attention mechanism. Sci Rep 16, 6428 (2026). https://doi.org/10.1038/s41598-026-37293-5

Anahtar kelimeler: alüminyum yüzey kusurları, endüstriyel denetim, derin öğrenme tespiti, YOLO nesne tespiti, havacılık malzemeleri