DOI: https://doi.org/10.1038/s41598-026-36390-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41617763
تاريخ النشر: 2026-01-30
المؤلف: Weihua Pan وآخرون
الموضوع الرئيسي: أنظمة الرؤية الصناعية واكتشاف العيوب
نظرة عامة
تقدم البحث DEENet، وهو نموذج مبتكر ذو فرعين يهدف إلى تعزيز الكشف عن عيوب سطح الفولاذ، وهو أمر حاسم لضمان أداء المنتج وطول عمره. يتناول النموذج التحديات الرئيسية مثل استخراج الميزات غير الكافي، وصعوبة الكشف عن العيوب الصغيرة، والحدود الضبابية التي تضر بمعلومات الحواف. يستخدم DEENet بنية مزدوجة التشفير تجمع بين الشبكات العصبية التلافيفية (CNN) والمحولات لتحسين قدرات استخراج الميزات. بالإضافة إلى ذلك، يتضمن وحدة دمج القنوات المزدوجة (DCF) لتسهيل تعزيز الميزات المحلية والعالمية، مما يعزز دقة الكشف عن العيوب الصغيرة. كما تم تقديم وحدة تعزيز الحواف، C2f_EEM، لتضخيم الفروق في التدرجات بين المناطق المعيبة والعادية، مما يحسن الحساسية تجاه حواف العيوب.
تشير التقييمات التجريبية على مجموعة بيانات NEU-DET إلى أن DEENet يحقق متوسط دقة (mAP) يبلغ 81.4%، متفوقًا على الخوارزميات الحالية من حيث الدقة والاسترجاع وسرعة التقارب. تؤكد هذه النتائج فعالية النموذج في السياقات الصناعية المعقدة وتقدم مساهمة كبيرة في مجال فحص العيوب في إنتاج الفولاذ، مما يوفر مرجعًا قويًا للتقدمات المستقبلية في هذا المجال.
مقدمة
في مقدمة ورقة البحث، يؤكد المؤلفون على الدور الحاسم للفولاذ كمادة أساسية في الصناعة الحديثة، مشيرين إلى تأثيره على تصنيع وسلامة المنتجات الصناعية المختلفة. يحددون أن العيوب السطحية يمكن أن تنشأ أثناء إنتاج الفولاذ بسبب تقلبات في ظروف العملية، وتآكل المعدات، وتباينات في جودة المواد الخام. تصنف الورقة العيوب النموذجية، بما في ذلك القشور المدحرجة (RS)، والبقع (Pa)، والتشقق (Cr)، والسطح المثقوب (PS)، والشوائب (In)، والخدوش (Sc)، والتي تضر مجتمعة بأداء وعمر خدمة منتجات الفولاذ وتثير مخاوف كبيرة بشأن السلامة.
طرق
في السنوات الأخيرة، واجهت الطرق التقليدية للكشف عن العيوب السطحية في الفولاذ المدلفن تحديات مثل ضعف التعميم، وانخفاض الكفاءة، وجودة غير مرضية. نتيجة لذلك، اكتسبت الأساليب القائمة على التعلم العميق، وخاصة خوارزميات الكشف عن الأجسام، شهرة. أظهرت الطرق ذات المرحلتين، بما في ذلك Faster R-CNN و R-FCN و Mask R-CNN، وعدًا في تعزيز دقة الكشف والتعميم. ومن الجدير بالذكر أن تحسينات لهذه الخوارزميات، مثل دمج التصفية الثنائية وتجميع K-means، قد تم اقتراحها لتحسين الأداء. ومع ذلك، فإن المتطلبات الحسابية العالية وتكاليف النشر لهذه الطرق قد أثارت اهتمامًا في الأساليب ذات المرحلة الواحدة.
تتبنى الدراسة YOLOv8 لكفاءتها وسهولة نشرها في تحليل سطح الفولاذ في الوقت الحقيقي، مع معالجة قيودها في التقاط الميزات متعددة المقاييس والعيوب الصغيرة. لتعزيز إطار عمل YOLOv8، يقدم المؤلفون DEENet، الذي يتضمن تشفير مزدوج CNN-Transformer لاستخراج الميزات المحلية والعالمية، ووحدة دمج القنوات المزدوجة (DCF) لكبح الضوضاء، ورقبة تعزيز الحواف (C2f_EEM) لتحسين الكشف عن الحدود. تهدف هذه البنية إلى تقديم حل أكثر دقة وكفاءة للكشف عن العيوب الدقيقة ضد خلفيات معقدة. تستخدم الإعدادات التجريبية مجموعة بيانات NEU-DET، التي تتكون من 1,800 صورة رمادية لمختلف أنواع العيوب، وتستخدم نظام تدريب قوي مع تكوينات محددة للمعلمات لتحسين أداء النموذج.
نقاش
في هذا القسم، يركز النقاش على التحديات والتقدمات في الكشف عن عيوب سطح الفولاذ، مع التأكيد بشكل خاص على قيود الطرق الحالية وتقديم DEENet كحل مبتكر. تظهر تقنيات الفحص التقليدية، التي تعتمد بشكل أساسي على العمليات اليدوية ومعالجة الصور الأساسية، عيوبًا كبيرة من حيث السرعة والدقة وقابلية التحيز البشري. في المقابل، أظهرت الأساليب القائمة على التعلم العميق، خاصة تلك التي تستخدم إطار عمل YOLO (You Only Look Once)، وعدًا في أتمتة الكشف عن العيوب. ومع ذلك، تكافح هذه الطرق مع التنوع في مورفولوجيا العيوب والخلفيات الصناعية المعقدة، مما يؤدي إلى صعوبات في الكشف عن العيوب الصغيرة أو ذات التباين المنخفض والحفاظ على تحديد الموقع بدقة.
لمعالجة هذه التحديات، يتم اقتراح DEENet، الذي يتميز بهندسة مزدوجة التشفير تجمع بين مكونات تلافيفية ومبنية على المحولات لتعزيز استخراج الميزات. تشمل الابتكارات الرئيسية وحدة دمج القنوات المزدوجة التي تحسن الكشف عن العيوب الصغيرة من خلال تعزيز الميزات المحلية والعالمية، ووحدة تعزيز الحواف (C2f_EEM) المصممة لتعزيز حساسية الحواف وتقليل عدم دقة التحديد. تظهر النتائج التجريبية أن DEENet يتفوق بشكل كبير على النماذج الحالية، محققًا معدلات دقة واسترجاع أعلى عبر فئات العيوب المختلفة مع الحفاظ على تكاليف حسابية منخفضة. وهذا يضع DEENet كمرشح قوي للنشر في التطبيقات الصناعية، مما يعالج بشكل فعال الاختناقات المستمرة في الكشف عن عيوب سطح الفولاذ.
DOI: https://doi.org/10.1038/s41598-026-36390-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41617763
Publication Date: 2026-01-30
Author(s): Weihua Pan et al.
Primary Topic: Industrial Vision Systems and Defect Detection
Overview
The research presents DEENet, an innovative dual-branch model aimed at enhancing the detection of steel surface defects, which is critical for ensuring product performance and longevity. The model addresses key challenges such as inadequate feature extraction, difficulty in detecting small defects, and blurred contours that compromise edge information. DEENet employs a dual-encoder architecture that combines Convolutional Neural Networks (CNN) and Transformers to improve feature extraction capabilities. Additionally, it incorporates a Dual Channel Fusion (DCF) module to facilitate cross-enhancement of local and global features, thereby enhancing detection accuracy for small defects. An edge enhancement module, C2f_EEM, is also introduced to amplify gradient differences between defective and normal areas, improving sensitivity to defect edges.
Experimental evaluations on the NEU-DET dataset indicate that DEENet achieves a mean Average Precision (mAP) of 81.4%, outperforming existing algorithms in accuracy, recall, and convergence speed. These results underscore the model’s effectiveness in complex industrial contexts and provide a significant contribution to the field of defect inspection in steel production, offering a robust reference for future advancements in this area.
Introduction
In the introduction of the research paper, the authors emphasize the critical role of steel as a foundational material in modern industry, highlighting its influence on the manufacturing and safety of various industrial products. They identify that surface defects can arise during steel production due to fluctuations in process conditions, equipment wear, and variations in raw material quality. The paper categorizes typical defects, including rolled-in scale (RS), patches (Pa), crazing (Cr), pitted surface (PS), inclusions (In), and scratches (Sc), which collectively compromise the performance and service life of steel products and raise significant safety concerns.
Methods
In recent years, traditional methods for detecting surface defects in strip steel have faced challenges such as poor generalization, low efficiency, and subpar quality. As a result, deep learning-based approaches, particularly object detection algorithms, have gained prominence. Two-stage methods, including Faster R-CNN, R-FCN, and Mask R-CNN, have shown promise in enhancing detection accuracy and generalization. Notably, improvements to these algorithms, such as the integration of bilateral filtering and K-means clustering, have been proposed to optimize performance. However, the high computational demands and deployment costs of these methods have prompted interest in single-stage approaches.
The study adopts YOLOv8 for its efficiency and ease of deployment in real-time steel surface analysis, while addressing its limitations in capturing multi-scale features and small defects. To enhance the YOLOv8 framework, the authors introduce DEENet, which incorporates a CNN-Transformer dual-encoder for extracting local and global features, a Dual Channel Fusion (DCF) module for noise suppression, and an edge-enhancement neck (C2f_EEM) to improve boundary detection. This architecture aims to provide a more accurate and efficient solution for detecting fine-grained defects against complex backgrounds. The experimental setup utilizes the NEU-DET dataset, comprising 1,800 grayscale images of various defect types, and employs a robust training regimen with specific hyperparameter configurations to optimize model performance.
Discussion
In this section, the discussion focuses on the challenges and advancements in steel surface defect detection, particularly emphasizing the limitations of existing methods and the introduction of DEENet as a novel solution. Traditional inspection techniques, primarily reliant on manual processes and basic image processing, exhibit significant drawbacks in terms of speed, accuracy, and susceptibility to human bias. In contrast, deep learning approaches, especially those utilizing the YOLO (You Only Look Once) framework, have shown promise in automating defect detection. However, these methods struggle with the diverse morphology of defects and complex industrial backgrounds, leading to difficulties in detecting small or low-contrast defects and maintaining precise localization.
To address these challenges, DEENet is proposed, featuring a dual-encoder architecture that integrates convolutional and transformer-based components to enhance feature extraction. Key innovations include a Dual-Channel Fusion module that improves the detection of small defects by cross-enhancing local and global features, and an edge-enhancement module (C2f_EEM) designed to bolster edge sensitivity and mitigate localization inaccuracies. Experimental results demonstrate that DEENet significantly outperforms existing models, achieving higher accuracy and recall rates across various defect categories while maintaining low computational costs. This positions DEENet as a robust candidate for deployment in industrial applications, effectively addressing the persistent bottlenecks in steel surface defect detection.