YOLO-DCF: kusurları tespit için çift damıtma ve bağlama duyarlı füzyon

Fabrikadaki kusurlar için daha keskin gözler

Akıllı telefonlardan otomobillere kadar modern ürünler kusursuz metal ve devre kartlarına dayanır. Yine de bu yüzeylerdeki küçük çatlaklar veya lekeler insan denetçilerden kaçabilir ve birçok bilgisayar sistemini bile yanıltabilir. Bu çalışma, gerçek üretim hatlarında bu küçük, fark edilmesi zor kusurları hızlı ve güvenilir şekilde tespit etmek üzere tasarlanmış YOLO-DCF adlı yeni bir yapay zekâ aracını tanıtıyor.

Neden küçük kusurlar bu kadar büyük bir sorun

Endüstriyel yüzeyler nadiren temiz ve basit görünür. Çelik bantlar çizgiler ve dokular gösterir, baskılı devre kartları ise ince hatlar ve bileşenlerle doludur. Kusurlar hafif çiziklerden eksik deliklere kadar birçok şekil ve boyutta olabilir ve çoğu zaman yoğun veya gürültülü arka planlara karışır. Geleneksel görüntü işleme ince kusurları kaçırabilirken, birçok derin öğrenme modeli büyük etiketli veri kümelerine ihtiyaç duyar ve fabrika ortamında aydınlatma, malzemeler veya kusur örüntüleri değiştiğinde zorlanabilir.

Bütün resmi daha akıllıca okumanın yolu

YOLO-DCF, popüler bir gerçek zamanlı algılayıcı ailesi üzerine inşa edilir ve modelin bir görüntüdeki bağlamı nasıl anladığını yeniden şekillendirir. Bağlama yönlendirilen bir füzyon modülü olarak adlandırılan yeni parçalardan biri, ilk olarak yatay ve dikey doğrultularda bakarak çelik bantlarda ve devre kartlarında yaygın olan çizgi ve bölgelerin daha geniş düzenini yakalar. Ardından ince yerel detayları bu daha geniş görünümle harmanlayarak küçük izlerin çevreleriyle ilişkilendirilmesini sağlar; böylece arka plan desenlerinden kaynaklanan karışıklığı azaltır ve düşük kontrastlı kusurları yakalama olasılığını artırır.

Aynı anda birden çok ölçekte yakın plan

Diğer önemli yenilik, ağın her alanı aynı anda birkaç sanal mercekten incelemesine olanak veren çok ölçekli rezidüel bloktur. Modelde paralel yollar yoğun yerel dokulara, orta boyutlu şekillere ve daha büyük yapılara odaklanırken, daha sonra yapılan yeniden yapılandırma adımı bu yolları hızlı kullanım için daha basit bir forma katlar. Bu tasarım, sistemi ince çatlakları ve daha büyük lekeleri tanırken gerçek zamanlı çalıştırmayı zorlaştırmayacak şekilde hafif tutmaya yardımcı olur; böylece model tipik endüstriyel donanımda dağıtım için yeterince kompakt kalır.

Küçük bir modele büyük bir model gibi düşünmeyi öğretmek

Sistemi verimli tutmak için yazarlar çift damıtma stratejisi kullanır; burada aynı ağın daha güçlü bir versiyonu daha hafif olanı yönlendirir. Öğrencinin yalnızca son tahminleri kopyalaması yerine, öğrenci model öğretmenin görüntünün farklı bölgeleri arasındaki ilişkileri nasıl kurduğunu ve özellik kanalları arasında dikkati nasıl dağıttığını öğrenir. Hem bloklar arasındaki mekânsal ilişkileri hem de her kanaldaki vurguyu eşleştirerek, daha küçük model öğretmenin küçük, lokalize kusurları öne çıkarma yeteneğinin büyük bir kısmını korurken daha hızlı ve daha ekonomik çalışır.

Yöntemi teste sokmak

Araştırmacılar YOLO-DCF’yi iki yaygın kullanılan kıyas veri kümesi üzerinde değerlendirdiler: altı tip kusur içeren çelik yüzey görüntüleri ve altı hata kategorili sentetik devre kartı görüntüleri seti. Her iki veri setinde de yeni sistem güçlü bir temel modele kıyasla daha yüksek tespit puanları elde etti ve yalnızca sınırlı sayıda parametre ekledi. Çelikteki çatlama benzeri ince, düşük kontrastlı kusurlar ve kartlardaki kısa devreler gibi ince kusurlar için belirgin kazanımlar gösterdi. Hareket bulanıklığı ve gürültü ile yapılan testler, yönteminin görüntüler bulanıklaştığında veya kumlu hale geldiğinde bile doğru tespiti koruyarak yaygın endüstriyel görüntüleme sorunlarına karşı daha dayanıklı olduğunu öne sürdü.

Gerçek fabrikalar için bunun anlamı

Bir uzmanın olmayan kişi için çıkarılacak nokta şudur: YOLO-DCF otomatik denetim için daha dikkatli ve bağlama duyarlı bir bakış sunar. Daha geniş sahne anlayışı, çok ölçekli odak ve verimli bilgi aktarımını birleştirerek gerçek kusurları zararsız dokulardan daha iyi ayırt edebilir ve yine de gerçek zamanlı hızlarda çalışabilir. Bu doğruluk, hız ve model boyutu dengesi, kaçırılan hataların ve yanlış alarmların her ikisinin de yüksek maliyeti olduğu üretim hatlarında dağıtım için umut verici bir aday yapar.

Atıf: Xing, H., Yang, Z. YOLO-DCF: dual distillation and context-aware fusion for defect detection. Sci Rep 16, 15897 (2026). https://doi.org/10.1038/s41598-026-46602-x

Anahtar kelimeler: endüstriyel kusur tespiti, yüzey denetimi, bilgisayarla görme, derin öğrenme, kalite kontrolü