Kaynak yüzeyi kusur tespiti için geliştirilmiş hafifletilmiş bir YOLOv11 algoritması

Kaynaklardaki küçük kusurlar neden önemli

Köprülerden gemilere, gökdelenlerden boru hatlarına kadar sayısız metal yapı, güvenli ve dayanıklı kalmak için kaynak eklerine dayanır. Bununla birlikte bu kaynak yüzeyleri, fark edilmeyen durumda zamanla ciddi arızalara dönüşebilecek gözenekler, çatlaklar veya kapanmış cüruf parçaları gibi küçük kusurları barındırabilir. Her kaynağı elle denetlemek yavaş, maliyetli ve özellikle yoğun fabrikalarda insan hatasına açık bir işlemdir. Bu makale, sınırlı kaynaklara sahip endüstriyel donanımlarda bile kaynak yüzeyi kusurlarını otomatik ve gerçek zamanlı olarak tespit etmeye yönelik, daha hızlı ve yalın bir bilgisayarlı görme sistemi olan YOLO-Air’i tanıtıyor.

Geleneksel denetim araçlarının sınırlamaları

On yıllardır kaynak denetimi, röntgen, ultrason, manyetik tozlar ve girdap akımları gibi fiziksel test yöntemlerine dayanıyor. Bu teknikler iç ve yüzey kusurlarını ortaya çıkarabilse de ödünler beraberinde geliyor: radyografi için radyasyon tehlikeleri ve korunma gereksinimleri, ultrason için operatöre bağımlılık ve manyetik ile girdap akım testleri için malzeme kısıtları. Ayrıca karmaşık şekilli nesnelerle ve aydınlatma, sıcaklık veya yüzey kirlenmesi gibi çevresel değişkenlerle başa çıkmakta zorlanıyorlar. Endüstriyel talepler hızlı, sürekli kalite kontrolünü gerektirdikçe, bu eski araçlar tek başına yeterli olmuyor.

Kaynaklar için akıllı kameraların yükselişi

Derin öğrenmedeki son ilerlemeler, günlük nesne tanıma için geliştirilen algoritmalardan yararlanarak kusurları doğrudan görüntülerden tespit etmeyi mümkün kıldı. Bu algoritmalar arasında, YOLO ailesi gibi tek aşamalı algılama yöntemleri, iyi doğruluk ile yüksek hızı birleştirdikleri için fabrikalar için özellikle çekici. Ancak kaynak görüntüleri sıra dışı zorluklar sunuyor: pas, lekeler ve kaplamalarla dolu dağınık arka planlar; son derece küçük ve yoğun kusurlar; ve şekil ile doku bakımından değişken birçok kusur tipi. Hazır modeller ya ince kusurları kaçırıyor, gürültüyü gerçek hasarla karıştırıyor ya da o kadar ağır ki mütevazı GPU’larda veya gömülü cihazlarda dağıtımı zorlaşıyor.

Daha keskin gözler için daha ince bir beyin

Yazarlar en son YOLOv11 modelini temel alıp onu YOLO-Air olarak yeniden şekillendiriyor; bu sürüm kaynak yüzeyi kusurlarını verimli şekilde tespit etmek için özelleştirilmiş. Ağın görüntüyü ilk işleyen kısmı olan omurga (backbone) üzerinde değişiklikle başlıyorlar. Yeni bir özellik çıkarım bloğu iki fikri birleştiriyor: düşük maliyetle ek özellik haritaları üretmek için basit dönüşümleri yeniden kullanan "ghost" mekanizması ve her girdiye uyum sağlayarak gerçek kusurlarla ilişkili desenleri vurgulayan, dikkat dağıtıcı arka plan detaylarını ise azaltan dinamik filtre mekanizması. Bu sayede hesap yükünü artırmadan farklı boyut ve şekillerdeki kusurları daha zengin biçimde anlamasını sağlıyorlar.

Bilgi akışını hızlandırmak

Bir sonraki adımda ekip, kaba, küresel bilgiler ile ince, yerel detayları harmanlamaktan sorumlu ağın orta kısmı olan "neck"i hafifletiyor. Kanalların bilgiyi paylaşmasını teşvik ederken gereksiz hesaplamayı azaltan gruplanmış ve karıştırılmış (shuffled) konvolüsyonlarla daha ağır işlemlerin yerini alıyorlar. Yeniden tasarlanmış bir birleştirme bloğu, farklı ölçeklerdeki özelliklerin nasıl kombine edildiğini daha da sadeleştiriyor. Bu değişiklikler birlikte modelin işlemesi gereken gereksiz tekrarları azaltıyor; böylece gürültülü bir kaynak yüzeyine yayılmış çok küçük kusurları takip ederken yine de çok hızlı çalışabiliyor.

Gerçek zamanlı kullanım için yalın bir çıktı katmanı

Son olarak yazarlar, iç özellikleri sınırlayıcı kutulara ve kusur kararlarına dönüştüren sistemin tespitteki kafa kısmını (detection head) sadeleştiriyor. Her kanala tam konvolüsyon uygulamak yerine yalnızca bir alt kümesini işleyen ve geri kalanını değişmeden geçiren kısmi bir şema kullanıyorlar. Bu, modelin parametrelerinin ve kayan nokta işlemlerinin büyük bir kısmını azaltırken, kusurları konumlandırmak ve sınıflandırmak için gerekli temel bilgiyi koruyor. Sonuç, kompakt ve duyarlı bir dedektör; üretim hatlarında her milisaniyenin önemli olduğu on-line izleme için uygun hale geliyor.

Yeni sistemin performansı ne kadar iyi

YOLO-Air’i değerlendirmek için araştırmacılar, birisi kaynaklara odaklanan diğeri genel çelik şerit kusurlarını içeren iki halka açık metal yüzey kusuru veri setinde test ediyorlar. Bir dizi klasik ve modern tespit modeliyle—çeşitli YOLO sürümleri ve dönüştürücü (transformer) tabanlı tasarımlar dahil—karşılaştırıldığında, YOLO-Air doğruluk, hız ve model boyutu açısından en iyi dengeyi sunuyor. Kaynak görüntülerinde, YOLOv11 temel modeline kıyasla tespit kalitesini yaklaşık bir yüzdelik puan artırırken parametre sayısını %17’den fazla azaltıyor ve hesap yükünü neredeyse üçte bir oranında düşürüyor. Ayrıca birkaç yüz kare/saniye mertebesinde bir işleme hızı koruyarak gerçek zamanlı gereksinimleri rahatça karşılıyor. İstatistiksel testler bu kazanımların rastgele şansa bağlı olmadığını doğruluyor.

Endüstri için anlamı

Pratik anlamda YOLO-Air, güvenilirlikten ödün vermeden günlük grafik kartlarında veya gömülü işlemcilerde çalışabilecek akıllı ve tasarruflu bir kaynak denetim sistemi oluşturmanın mümkün olduğunu gösteriyor. Gerçek kusurları zararsız yüzey karmaşasından daha iyi ayırt ederek ve çok küçük kusurları yakalayarak hem atlanan sorunları hem de gereksiz onarımları azaltabilir. Model henüz fabrikalarda tam ölçekli olarak uygulanmamış olsa da çalışma, kritik kaynaklı yapıların kalitesini sürekli koruyan kompakt, kamera tabanlı denetleyicilere doğru net bir yol sunuyor.

Atıf: Zhang, R., Pan, C., Chen, Z. et al. An improved lightweight YOLOv11 algorithm for weld surface defect detection. Sci Rep 16, 11440 (2026). https://doi.org/10.1038/s41598-026-41568-2

Anahtar kelimeler: kaynak kusuru tespiti, endüstriyel görme, hafif derin öğrenme, YOLO nesne tespiti, kalite denetimi otomasyonu