SFD-YOLO: Savaş Başlığı Hedef-Plaka Testlerinde Küçük Cisim Parça Etkisini Tespit Etme

En Küçük Darbe İzlerini Görmek

Bir savaş başlığı kontrollü bir testte infilak ettiğinde mühendisler, parçalarının büyük metal plakalar üzerinde bıraktığı küçük izleri inceleyerek gerçek tehlikesini değerlendirirler. Bugün bu inceleme hâlâ sıklıkla elle yapılıyor; bu yavaş, yorucu ve özellikle çoğu darbe izi zar zor görülebilen lekeler olduğunda hataya açık bir yöntem. Bu makale, SFD-YOLO adında, toz, sis, bulanıklık ve değişen ışık altında bile bu minnacık izleri gerçek zamanlı olarak otomatik tespit edebilen bir yapay zeka yaklaşımını sunuyor; bu da daha hızlı ve daha güvenilir güvenlik ile performans değerlendirmeleri vaat ediyor.

Neden Küçük Delikler Önemli?

Savaş başlığı testlerinde metal hedef plakalar, patlayıcı yükün etrafında bir halka halinde düzenlenir. Cihaz infilak ettiğinde yüksek hızlı parçalar plakalara çarpar; ya geçtikleri yerde delikler bırakır ya da yalnızca yüzeyde sığ çöküntüler oluştururlar. Hangi türden ve kaç tane olduklarının sayılmasıyla mühendisler parçaların uzayda nasıl yayıldığını ve gerçek ekipmana karşı ne kadar ölümcül olabileceğini çıkarabilirler. Ancak izler çok küçük ve yoğun kümelenmiş hâlde olur; açık hava test sahaları toz, parlama ve kötü hava koşullarıyla doludur. İnsan denetçiler ve geleneksel görüntü işleme araçları bununla başa çıkmakta zorlanır, bu da doğru ve zamanında ölçümler elde etmeyi güçleştirir.

Ağ’a Bir Kez Bakmayı Öğretmek, Ama Dikkatle

Derin öğrenmeye dayalı modern nesne tespit sistemleri, görüntüleri tarayıp ilgi alanlarını saniyenin kesirleri içinde kutularla işaretleyebilir. Bu aile içinde YOLO algoritmaları hız ve doğruluk arasında iyi bir denge kurmalarıyla bilinir. Ancak standart versiyonlar, yalnızca birkaç piksel kaplayan çok küçük nesneleri kaçırma eğilimindedir — parça etki görüntülerindeki tam sorun bu. Bunu çözmek için yazarlar en son YOLOv11 modelini temel alıp onu parlak metaller üzerinde görülen ufak izlere özgü şekilde uyarlıyor; ağın soluk detaylara daha fazla dikkat etmesini sağlayacak şekilde birkaç kilit bileşeni yeniden tasarlıyorlar, buna karşın modelin çok büyük veya yavaş olmamasına dikkat ediyorlar.

Beneklere ve Lekeçiklere Odaklanmayı Keskinleştirme

İlk iyileştirme, ağın ham görüntüleri nasıl işlediğinde yatıyor. Yazarlar, ağın hem görüntüde özelliklerin nerede ortaya çıktığını hem de hangi kanalların en yararlı bilgiyi taşıdığını aynı anda temizleyen bir özellik işleme bloğu sunuyor. Bu blok, tekrarlayan veya faydasız desenleri bastırır ve gerçek bir etkiye işaret eden ince kenarları ve dokuları güçlendirir. Ayrıca modeli kompakt tutan hafif bir çıkarım modülü ekliyorlar; daha verimli işlemler kullanarak standart donanımda hızla çalışmasını sağlarken küçük parça izlerinin hassas sinyallerini koruyor.

Aynı Anda Birden Çok Ölçekte Görme

Çünkü çok küçük etkiler, bir sinir ağında görüntüler tekrar tekrar küçültüldüğünde kolayca kaybolabilir, yazarlar sistemin karar verme bölümünü de yeniden tasarlıyor. Üç ayrıntı seviyesine bakmak yerine SFD-YOLO, en küçük izlere adanmış dördüncü, daha yüksek çözünürlüklü bir katman ekliyor. Özel bir özellik piramidi yapısı, sığ katmanlardan alınan ince detayları derin katmanların geniş bağlamıyla kademeli olarak harmanlayarak ağın hem bir izanın nerede olduğunu hem de arka plandan nasıl ayrıldığını takip etmesine yardımcı oluyor. Sonuç, deliklerle yüzey çöküntülerini ayırt edebilen bir sistem; onlar parlak bir plakada sıkışık halde olsa bile.

Sistemi Teste Sokmak

Yöntemlerini eğitmek ve değerlendirmek için araştırmacılar gerçek statik patlama deneylerinden oluşan özel bir görüntü koleksiyonu derlediler; hedef plakaların yüksek çözünürlüklü binlerce fotoğrafını çekip yirmi binden fazla etkiyi elle etiketlediler. Bu koleksiyondaki izlerin neredeyse dokuzu, yaygın bilgisayarlı görü standartlarına göre “küçük” olarak niteleniyor; bu da onu zorlu bir test ortamı yapıyor. SFD-YOLO, birkaç başka YOLO çeşidi ve dönüştürücü tabanlı sistemler dahil olmak üzere popüler tespit modellerinin bir çoğunu geride bıraktığı gibi, yalnızca iki milyondan biraz fazla ayarlanabilir parametre ile saniyede yüzün üzerinde görüntü işler. Model, görüntüler bulanıklaştırıldığında, karartıldığında, parlaklaştırıldığında veya sentetik sis ve tozla kaplandığında —sert saha koşullarını taklit eden durumlarda— en yakın karşılaştırma temelinden daha dayanıklı kalıyor.

Test Sahasından Fabrika Hattına

Düz bir anlatımla, çalışma dikkatle ayarlanmış bir sinir ağının büyük metal plakalar üzerindeki iğne başı büyüklüğündeki hasar izlerini çok yüksek güvenilirlikle tespit edip sınıflandırabileceğini ve bunu patlama testleri sırasında gerçek zamanlı kullanım için yeterince hızlı yapabileceğini gösteriyor. SFD-YOLO, bir zamanlar zahmetli olan elle sayım görevini otomatik, sağlam bir ölçüm aracına dönüştürüyor. Savaş başlığı değerlendirmesinin ötesinde aynı fikirler, haddelenmiş çelik, enerji şebekesi donanımı veya insanların ve standart algoritmaların kolayca kaçırabileceği diğer endüstriyel bileşenlerdeki küçük kusurların denetimi gibi metal yüzeylerdeki ince hataların önemli olduğu diğer durumlara da uygulanabilir.

Atıf: Liu, H., Ding, Y., You, W. et al. SFD-YOLO for small-object fragment impact detection in warhead target-plate testing. Sci Rep 16, 9291 (2026). https://doi.org/10.1038/s41598-026-40457-y

Anahtar kelimeler: küçük nesne tespiti, parça etki testi, metal yüzey muayenesi, YOLO sinir ağları, endüstriyel hata tespiti