High-Accuracy Surface Defect Detection for Metal Strips: Lightweight YOLOv5s-SC2 with LAMP Pruning
Ce document propose un modèle de détection de défauts de surface léger et de haute précision pour les bandes métalliques, nommé YOLOv5s-SC2, qui intègre des améliorations architecturales telles que SAC et RepGFPN pour atteindre 84,3 % de mAP sur le jeu de données NEU-DET et utilise l'élagage LAMP pour réduire considérablement la taille du modèle et le coût de calcul en vue d'un déploiement efficace sur les périphériques avec une perte de précision minimale.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous êtes un inspecteur de qualité sur une ligne d'assemblage ultra-rapide, mais au lieu de vérifier des jouets ou des snacks, vous inspectez de longs rubans de métal brillants. Ces bandes de métal sont l'épine dorsale de tout, des carrosseries de voitures aux appareils de cuisine, mais elles sont sujettes aux rayures, aux fissures ou aux piqûres pendant leur parcours. Si un minuscule défaut s'échappe, cela peut ruiner le produit entier. Pendant longtemps, les humains ont essayé de repérer ces défauts à l'œil nu, mais ils se fatiguent, et les machines utilisant de vieux capteurs manquent parfois les détails ou sont confuses par l'éclat du métal.
Entrez dans le monde de la vision par ordinateur, où nous apprenons aux ordinateurs à « voir » tout comme nous le faisons, mais avec la vitesse d'un éclair. L'outil le plus populaire pour ce travail est ce qu'on appelle un « réseau de neurones », qui est essentiellement un cerveau numérique capable d'apprendre à reconnaître des motifs en regardant des milliers d'images. Un type spécifique de ce cerveau, appelé YOLO (qui signifie « You Only Look Once » ou « Vous ne regardez qu'une fois »), est célèbre pour être incroyablement rapide. Cependant, il y a un piège : ces cerveaux numériques sont souvent trop lourds et lents pour les petits ordinateurs bon marché utilisés dans les usines. Ils doivent être assez légers pour fonctionner en temps réel, mais assez affûtés pour repérer une fissure capillaire. C'est le casse-tête que les scientifiques tentent de résoudre : comment créer un détecteur super intelligent qui soit aussi léger qu'une plume ?
C'est exactement ce défi que l'équipe de chercheurs de l'Université de technologie de Taiyuan a relevé dans leur nouvelle étude. Ils voulaient construire une meilleure version du détecteur YOLOv5s spécifiquement pour repérer les défauts des bandes de métal, puis la réduire pour qu'elle puisse fonctionner sur de petits appareils sans perdre sa vue perçante.
Voici comment ils ont procédé. D'abord, ils ont réalisé que le « réseau » standard que l'ordinateur utilise pour capturer les défauts n'était pas tout à fait adapté aux formes étranges des rayures et des fissures. Ils ont donc peaufiné la conception du réseau. Ils ont remplacé certaines parties anciennes par des composants plus récents et plus efficaces appelés « C2f » et « Switchable Atrous Convolution ». Considérez cela comme l'amélioration des vitesses d'un vélo ; les nouveaux engrenages permettent au vélo de grimper des collines escarpées (détecter des défauts minuscules et difficiles à voir) sans que le cycliste ne s'épuise (utiliser trop de puissance informatique). Ils ont également ajouté un « mécanisme d'attention » spécial, qui est comme donner à l'ordinateur une paire de lunettes de haute puissance qui lui disent : « Ignore l'arrière-plan brillant, regarde juste ici, cette petite rayure ! »
Après avoir construit ce super-détecteur, qu'ils ont nommé YOLOv5s-SC2, ils l'ont testé sur un ensemble de données de 1 800 images de bandes de métal contenant six types différents de défauts. Les résultats sont impressionnants. Le nouveau modèle a repéré les défauts avec un score de précision (appelé mAP) de 84,3 %, ce qui est 4,4 points de pourcentage supérieur à la version originale non modifiée. Il était particulièrement efficace pour trouver les défauts minuscules et complexes qui passent habituellement entre les mailles du filet.
Mais un modèle super intelligent est inutile s'il est trop lourd à porter. Les chercheurs savaient que les usines ont besoin que ces modèles fonctionnent sur de petits appareils de bord (edge devices), ils ont donc appliqué une technique appelée élagage LAMP. Imaginez que vous avez un sac à dos géant rempli d'outils. Vous savez que vous n'avez besoin que de quelques outils spécifiques pour le travail, alors vous retirez soigneusement les outils lourds et redondants sans jeter ceux dont vous avez réellement besoin. C'est ce que l'élagage LAMP a fait : il a découpé les parties inutiles du cerveau numérique.
Lorsqu'ils ont élagué le modèle pour le rendre 2,5 fois plus rapide, les résultats ont été le point d'équilibre idéal entre vitesse et intelligence. La taille du modèle est tombée à 56,2 % de son poids original, son utilisation de la mémoire est descendue à 56,9 %, et la quantité de calculs qu'il devait effectuer (coût computationnel) a chuté à 39,4 %. Le meilleur dans tout ça ? Sa précision n'a presque pas bronché, ne chutant que de 0,2 point de pourcentage.
En résumé, l'équipe a réussi à construire un détective léger et rapide pour les bandes de métal. Ils ont prouvé qu'en améliorant les engrenages internes et en taillant ensuite dans le gras, on peut créer un système qui est à la fois incroyablement précis et assez léger pour fonctionner sur le plancher de l'usine, garantissant que chaque bande de métal quittant la ligne est aussi parfaite que possible.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.