Düzgün sınır gürültüsünün güçlü etkisi altında yapılandırılmış öncelikler ve enerji‑duyarlı dikkat ile hafif bir metalografi kusur tespit çerçevesi

Çelikteki küçük kusurlar neden önemli

Otomobil dişlilerinden yüksek basınçlı borulara kadar birçok günlük makine ortak bir işgücü malzemesine güvenir: genellikle AISI 1020 olarak etiketlenen düşük karbonlu çelik. Mühendisler bu çeliğe güvenmeden önce, metalin iç yapısını değerlendirmek için parlatılmış ve aşındırılmış kesitleri mikroskop altında incelerler. Ancak numune yüzeyi lekeli, çizikli veya düzensizse, bu hazırlık kusurları gerçek malzeme problemleri gibi görünebilir. Makale, bu tür hazırlık kusurlarını, mikroskobik tane desenleriyle dolu yoğun bir arka planda neredeyse kaybolduklarında bile, hızlı ve güvenilir biçimde tespit edebilen yeni, hafif bir yapay zekâ aracını tanıtıyor.

Belirsiz kusurları görmenin zorluğu

Yüksek büyütmede çelik, tane adı verilen küçük bölgelerin mozaiği gibi görünür; bu taneler karmaşık tane sınırları ağıyla ayrılır. Bu sınırlar, su lekeleri, kalan aşındırma sıvısı veya hafif düzensiz yüzeyler gibi hazırlık kusurlarının zayıf sinyallerini kolayca bastıran yoğun, yüksek kontrastlı bir doku oluşturur. Popüler YOLO dedektörleri de dahil olmak üzere standart bilgisayarlı görü modelleri, nesnelerin çevresinden net biçimde ayrıldığını varsayar. Metalografide ise genellikle tam tersi doğrudur: arka plan güçlü ve yapılıdır; kusurlar ise hem şekil hem de boyut açısından zayıf ve düzensizdir. Görüntüler derin bir ağ içinde tekrar tekrar sıkıştırıldıkça, bu zayıf sinyaller kolayca yok olur; bu da kaçırılan tespitlere veya zararsız doku ile gerçek kusurlar arasında karışıklığa yol açar.

Metalografi için özel bir tespit çerçevesi

Bunu aşmak için yazarlar, mikroskobik çelik görüntülerine özel olarak ayarlanmış, güncel gerçek zamanlı dedektör YOLOv10’un özelleştirilmiş bir türevi olan RSS‑YOLOv10’u geliştiriyorlar. Modeli kompakt tutmak ve karmaşık tane desenlerine fazla uyum sağlamayı önlemek için YOLOv10’un en küçük “nano” versiyonundan başlıyorlar. Bunun üzerine, sistemin çok küçük çukurlardan geniş lekelere kadar kusur boyutlarındaki aşırı değişimlerle başa çıkabilmesi için ağın özellik çıkarıcı ve özellik birleştirme aşamalarındaki ana blokları yeniden tasarlıyorlar; bunlar hesap açısından ağır hale gelmiyor. Ayrıca, zaman alıcı bir son işleme adımını önleyen ve hızlı endüstriyel denetime uygun olan YOLOv10’un uçtan uca eğitim stratejisini koruyorlar.

Yeni bileşenler nasıl birlikte çalışıyor

RSS‑YOLOv10’un kalbi, omurga ağında standart yapı bloklarının yerini alan RepHMA adlı yeni bir modüldür. RepHMA, her görüntü yamasını farklı komşuluk boyutlarına “bakan” birkaç paralel dalgacık aracılığıyla işler ve ardından bunları gerçek tespit sırasında kullanılmak üzere tek, verimli bir blokta birleştirir. Bu çok ölçekli bakış, modele hem küçük lekeleri hem de daha geniş, bulanık bölgeleri yakalama yeteneği kazandırır. İkinci bir bileşen olan SimAM dikkat mekanizması, her küçük bölgeyi çevresiyle karşılaştıran ve tekrarlayan tane arka planından güçlü biçimde farklılaşan bölgeleri öne çıkaran bir filtre gibi davranır. Önemli olarak, SimAM ek öğrenilebilir parametre eklemeden bunu yapar ve modelin hafif yapısını korur. Son olarak, yeniden tasarlanmış bir “SlimNeck” bölümü, kullanışlı ayrıntıları muhafaza ederken gereksiz hesaplamayı azaltan özel seçilmiş konvolüsyonları kullanarak farklı çözünürlük seviyelerinden gelen bilgileri birleştirir.

Gerçek çelik verisi ile oluşturma ve test etme

Mevcut metalografik görüntü koleksiyonları genellikle ideal, kusursuz numunelere odaklandığından ekip, 20 S‑PDD adlı kendi kıyas veri setini oluşturdu. Bu veri seti laboratuvarda hazırlanmış 20 çeliğin 1.200’ün üzerinde mikroskop görüntüsünü içeriyor ve su lekeleri, korozif sıvı kalıntısı ve düzensiz yüzey bölgeleri olmak üzere uzmanlar tarafından dikkatle çizilmiş üç tip hazırlık kusuru bulunuyor. Yazarlar RSS‑YOLOv10’u bu veri setinde eğittiler ve değerlendirdiler; bunu temel YOLOv10n ile ve Faster R‑CNN, SSD, YOLOv5, YOLOv8 ve gerçek zamanlı bir transformer‑tabanlı model dahil olmak üzere birkaç iyi bilinen dedektörle karşılaştırdılar. Ayrıca yöntemin mikroskobik görüntülerin ötesinde nasıl genelleştiğini görmek için daha büyük ölçekli çelik yüzey kusurlarına ait ayrı bir halka açık veri seti üzerinde de test ettiler.

Sonuçlar ne gösteriyor

Metalografik 20 S‑PDD veri setinde RSS‑YOLOv10, karşılaştırmalı tüm modellerden daha yüksek hassasiyet, duyarlılık ve genel tespit doğruluğu elde etti; YOLOv10n temel modeline kıyasla ortalama hassasiyeti yaklaşık dört yüz puan artırırken daha az kayan nokta işlemi (FLOP) kullanıyordu. Özellikle lekeler ve korozif kalıntıları çevreleyen tane dokusundan ayırmada etkili oldu; hem kaçırılan kusurları hem de yanlış alarmları azalttı. Ayrı NEU‑DET çelik yüzey veri setinde de model yine temel modeli geride bıraktı; bu, temel tasarım seçimlerinin farklı türde dokulu metal görüntülerine karşı sağlam olduğunu gösteriyor. Modelin içsel “ısı haritalarının” görselleştirmeleri, büyük ölçüde tane sınırlarını görmezden gelirken gerçek kusurlara sıkıca odaklandığını doğruluyor.

Günlük uygulama için neden önemli

Metalografi laboratuvarları ve kalite kontrol mühendisleri için önerilen çerçeve, çeliğin gerçek mikro yapısının daha derin analizinden önce hazırlık kusurlarını otomatik olarak taramanın bir yolunu sunar. RSS‑YOLOv10 kompakt ve verimli olduğundan standart masaüstü donanımda veya gömülü cihazlarda gerçek zamanlı çalışabilir; bu da mevcut mikroskoplarla birlikte rutin kullanım için pratik kılar. Mevcut çalışma tek bir çelik sınıfı ve sınırlı sayıdaki numune üzerine odaklansa da, yaklaşım metalografik kaliteye yönelik daha geniş otomatik kontroller için bir yol açıyor; bu da insan yorgunluğunu ve tutarsızlığı azaltırken güvenlik açısından kritik mühendislik kararlarını destekleyen sonraki ölçümleri koruyor.

Atıf: Shen, Z., Deng, Q., Wu, Z. et al. A lightweight metallographic defect detection framework via structured priors and energy-aware attention under strong grain boundary interference. Sci Rep 16, 10969 (2026). https://doi.org/10.1038/s41598-026-45556-4

Anahtar kelimeler: metalografi kusur tespiti, çelik mikro yapı, derin öğrenme denetimi, otomatik mikroskopi, YOLO nesne tespiti