Anchor‑Free algoritması kullanılarak YOLOv7‑tiny için hafif metal yüzey hata tespit teknolojisinin tasarımı

Metaldeki küçük kusurlar neden önemli

Arabanın gövdesinden gökdelenin kirişlerine kadar çelik levhalar her yerde kullanılır. Ancak ince çatlaklar, soluk çizikler veya küçük çukurlar bu metal yüzeylerde parçaları yavaşça zayıflatabilir, ömrünü kısaltabilir ve üreticilere maliyet getirebilir. Her santimetrekareyi gözle kontrol etmek yavaş ve hataya açık olduğundan, fabrikalar üretim hatlarında çelik hızla ilerlerken kusurları otomatik olarak tespit etmek için yapay zekâya yöneliyor. Bu makale, metal yüzeylerdeki çok küçük, zor görülen kusurları gerçek zamanlı yakalayacak şekilde tasarlanmış daha hızlı, daha hafif bir bilgisayar görüsü sistemini sunuyor.

Kameralar ve akıllı yazılım çeliği nasıl izliyor

Modern kusur muayenesi dijital kameralar ve derin öğrenmeye dayanır: görüntülerden doğrudan desenleri öğrenen yazılımlar. Bu tür sistemlerin popüler bir ailesi, bir geçişte görüntüyü tarayan ve ilgilenilen nesnelerin etrafına kutular çizen "You Only Look Once" anlamına gelen YOLO olarak bilinir. Yazarlar, YOLOv7‑tiny adlı kompakt bir sürümün üzerine inşa ederek onu endüstriyel çelik muayenesine özel olarak uyarlıyor. Amaç, modeli sınırlı donanımda çalışacak kadar küçük ve hızlı tutarken, ince kaynak çizgileri ve kıvrımlardan yuvarlak çukurlara ve lekelere kadar hareket halindeki çelik şerit ve levhalardaki geniş kusur yelpazesini hâlâ tespit edebilmesini sağlamaktır.

Önceden belirlenmiş kutular olmadan kusurları görmek

Önceki YOLO sürümleri, modelin nesnelerin nerede olabileceğine dair başlangıç tahmini olarak kullandığı önceden tanımlanmış şekiller olan "anchor kutulara" dayanır. Bu ön ayarlar kullanışlı olmakla birlikte, çok uzun, ince çatlaklar veya çok küçük lekeler gibi aşırı durumlarla zorlanır ve bunları kaçırabilir. Yeni sistem, "anchor‑free" (anchor­sız) bir yaklaşıma geçer: sabit kutulardan başlamak yerine, bir kusurun merkezine odaklanmayı öğrenir ve ardından kenarlarının dört yönde ne kadar uzadığını tahmin eder. Bu değişiklik, dedektörü gerçek kusurların sunduğu tuhaf şekillere ve boyutlara karşı daha esnek ve uygun hale getirir, özellikle ağır sanayide.

Soluk kusurları öne çıkarmak

Birçok çelik yüzeyde kusurlar çevrelerinden neredeyse daha parlak veya daha karanlık değildir; metalik dokuda sis içindeki bir leke gibi kaynaşabilirler. Bilgisayarın insanların kaçırabileceği detayları görmesine yardımcı olmak için yazarlar tespitten önce iki aşamalı bir kontrast güçlendirme işlemi uygular. Önce, gri tonlamalı görüntünün parlak bölgelerindeki farkları genişleten—çelik ve kusurların sıkça kümelendiği yerler—ve koyu bölgeleri sıkıştıran logaritmik bir dönüşüm kullanılır. Ardından ortaya çıkan parlaklık aralığı tekrar tüm skala boyunca geriye gerilir. Bu adımlar birlikte kusurlarla ilişkili ince dokuları keskinleştirirken arka plan desenlerini bastırır ve dedektöre daha net görsel ipuçları sağlar.

Daha küçük bir beyin, daha keskin odak

Sistemi hafif tutmak için araştırmacılar YOLOv7‑tiny’nin orijinal çekirdeğini, akıllı telefonlar ve gömülü cihazlar için tasarlanmış daha kompakt bir ağ olan MobileNetV3‑large ile değiştirir. Bu "beyin", hesaplama miktarını azaltmak için özelleşmiş yapı taşları kullanır ve doğrulukta çok az kayıp yaşar. Bunun üzerine, küçük kusurlar gibi önemli bölgeleri vurgulamayı öğrenen bir dikkat (attention) modülü eklerler ve alakasız arka planı görmezden gelirler. Özel bir özellik piramidi yapısı farklı görüntü ölçeklerinden gelen bilgileri harmanlayarak aynı karede hem küçük hem de büyük kusurların tanınmasını sağlar. Ekip ayrıca iki halka açık kusur görüntü veri setini, eksik veya belirsiz işaretlemeleri düzeltmek için dikkatle yeniden etiketleyerek sistemin daha temiz örneklerden öğrenmesini garanti etmiştir.

Yeni sistem ne kadar iyi performans gösteriyor

Geliştirilmiş dedektör, basitten sentetik desenlere kadar ve karmaşık gerçek dünya çelik şeritlerine kadar uzanan üç yaygın kullanılan metal‑kusur veri setinde test edildi. Bu karşılaştırmalarda, yeni tasarım, standart YOLOv7‑tiny modeliyle karşılaştırıldığında önemli bir doğruluk ölçüsünü ortalama olarak yaklaşık altı yüzde puan artırdı ve hâlâ saniyede 90’dan fazla görüntü işleyebiliyordu—birçok fabrika için gerçek zamanlı muayene yeterince hızlı. Ayrıca, aynı düzeltilmiş çelik kusur verisi üzerinde eğitildiklerinde, bir dizi güncel ve ağır modellerle karşılaştırıldığında daha yüksek doğruluk elde ederek rekabetçi sonuçlar gösterdi.

Günlük ürünler için bunun anlamı

Basitçe ifade etmek gerekirse, çalışma, hızlı hareket eden metal yüzeylerde çok küçük, garip şekilli kusurları güvenilir şekilde tespit eden kompakt, verimli bir görsel sistemin kurulabileceğini gösteriyor. Daha akıllı kusur vurgulama, daha esnek kutu tahmini, küçücük detaylara daha iyi dikkat ve dikkatli veri temizliği birleştirilerek yazarlar, çelik üreticilerinin ürünler yola, üretim hattına veya inşaat sahasına ulaşmadan önce daha fazla sorunu yakalamasına yardımcı olabilecek bir araç sunuyor. Sonuç, daha güvenli ve daha güvenilir metal parçalar için ve akıllı kameraların arka planda kaliteyi sessizce gözettiği fabrikalara doğru pratik bir adım anlamına geliyor.

Atıf: Huang, YC., Lin, JC. & Wu, YZ. Design of lightweight metal surface defect detection technology for YOLOv7-tiny using Anchor-Free algorithm. Sci Rep 16, 8601 (2026). https://doi.org/10.1038/s41598-026-39233-9

Anahtar kelimeler: metal yüzey kusurları, otomatik görsel muayene, gerçek zamanlı nesne algılama, hafif derin öğrenme, endüstriyel kalite kontrolü