YOLOv11-AHFE:Adaptive High-Frequency Signal Enhancement Mechanism for Surface detection

जासूस की दुविधा: अदृश्य को देखना

कल्पना कीजिए कि आप एक जासूस हैं जो एक चमकदार, तैलीय धातु के कार के दरवाजे पर एक नन्हे से खरोंच को खोजने की कोशिश कर रहे हैं। नग्न आंखों से, या यहां तक कि एक मानक कैमरे से भी, वह खरोंच प्रकाश के खेल या ग्रीस के धब्बे जैसी लग सकती है। यह "कंप्यूटर विजन" का दैनिक संघर्ष है, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है जहाँ हम कंप्यूटर को दुनिया को देखने और समझने के लिए प्रशिक्षित करते हैं। वर्षों से, सर्वश्रेष्ठ जासूस (एल्गोरिदम) बड़ी, स्पष्ट चीजों को पहचानने में माहिर रहे हैं, लेकिन वे अक्सर सूक्ष्म, जटिल विवरणों को छोड़ देते हैं क्योंकि वे "बड़ी तस्वीर" को देखने में बहुत व्यस्त होते हैं। वे काम को तेज़ बनाने के लिए बारीक, उच्च-आवृत्ति (high-frequency) वाले विवरणों—जैसे कि दरार के तीखे किनारे या खरोंच की बनावट—को त्याग देते हैं।

यह शोध पत्र इस दुनिया के एक विशिष्ट कोने में उतरता है: कारखानों में धातु की सतहों पर दोषों (defects) को खोजना। लेखक एक लोकप्रिय, सुपर-फास्ट जासूसी उपकरण के साथ काम कर रहे हैं जिसे YOLO (जिसका अर्थ है "You Only Look Once") कहा जाता है। YOLO को एक सुरक्षा गार्ड के रूप में समझें जो भीड़ को स्कैन करने के लिए एक सेकंड के भीतर नज़र दौड़ाता है ताकि परेशानी का पता लगाया जा सके। यह अविश्वसनीय रूप से तेज़ है और लोगों को पहचानने में अच्छा है, लेकिन जब बात स्टील के टुकड़े पर एक छोटे, अनियमित खरोंच को पहचानने की आती है, तो यह कभी-कभी चूक जाता है क्योंकि यह उन सूक्ष्म, उच्च-आवृत्ति संकेतों को नोटिस करने में बहुत तेज़ है जो उन छोटे दोषों को परिभाषित करते हैं। बड़ा सवाल जो वे पूछ रहे हैं वह यह है: हम इस सुपर-फास्ट गार्ड को धीमा किए बिना सूक्ष्म, उच्च-पिच वाले विवरणों पर ध्यान देने के लिए कैसे तैयार कर सकते हैं?

समाधान: जासूस को "सुपर-ईयर्स" देना

लेखक, नाथन डू और यानफेंग मेंग, एक मानक YOLO सिस्टम के लिए एक चतुर अपग्रेड प्रस्तावित करते हैं, जिसे वे YOLOv11-AHFE कहते हैं। उनका मुख्य विचार कंप्यूटर को पूरी छवि को देखते समय बारीक विवरणों को "त्यागने" से रोकना है। इसके बजाय, वे एक विशेष तंत्र पेश करते हैं जिसे Adaptive High-Frequency Signal Enhancement कहा जाता है।

यह समझने के लिए कि यह कैसे काम करता है, कल्पना करें कि आप एक गाना सुन रहे हैं। कम स्वर 'बेस' (छवि के बड़े, भारी हिस्से) हैं, और उच्च स्वर कुरकुरी झांझ और वायलिन (छोटी खरोंचें और किनारे) हैं। मानक कंप्यूटर विजन अक्सर संगीत को सरल रखने के लिए उच्च स्वरों को म्यूट कर देता है। हालाँकि, यह नई विधि Wavelet Transform नामक एक गणितीय ट्रिक का उपयोग करती है ताकि संगीत को अलग-अलग ट्रैक में विभाजित किया जा सके। यह बेस ट्रैक को सुरक्षित रखती है लेकिन एक विशेष "उच्च-आवृत्ति" (high-frequency) ट्रैक बनाती है जिसे यह बूस्ट और बेहतर बनाती है।

यहाँ बताया गया है कि उन्होंने अपना नया जासूस कैसे बनाया:

1. दोहरी-धारा रणनीति (The Dual-Stream Strategy): केवल एक पथ के बजाय जिससे छवि गुजरती है, उन्होंने एक "डुअल-स्ट्रीम" प्रणाली बनाई। एक धारा सामान्य आकार (semantic features) को समझने के लिए छवि को सामान्य रूप से देखती है। दूसरी धारा एक Wavelet-Conv मॉड्यूल का उपयोग करती है जो छवि को चार टुकड़ों में तोड़ देती है: एक धुंधला संस्करण (LL), एक ऊर्ध्वाधर किनारा संस्करण (LH), एक क्षैतिज किनारा संस्करण (HL), और एक विकर्ण किनारा संस्करण (HH)। यह एक दूसरे जासूस की तरह है जो केवल किनारों और बनावटों को देखता है। वे फिर इन दोनों धाराओं को मिलाते हैं, ताकि अंतिम निर्णय "बड़ी तस्वीर" और "सूक्ष्म विवरणों" दोनों पर आधारित हो।

2. हाई-फ्रीक्वेंसी बूस्टर (The High-Frequency Booster): जैसे-जैसे छवि प्रोसेस होती है, वह स्वाभाविक रूप से उन सूक्ष्म, तीखे विवरणों को खो देती है। इसे ठीक करने के लिए, लेखकों ने नेटवर्क के भीतर गहराई में एक High-Freq-Enhance मॉड्यूल जोड़ा है। इसे एक "रेस्क्यू टीम" के रूप में सोचें जो प्रोसेस्ड इमेज में वापस जाती है, उन हिस्सों को ढूंढती है जो धुंधले हो गए हैं, और एक विशेष अटेंशन मैकेनिज्म का उपयोग करके उन्हें फिर से तेज करती है। यह पूछती है, "इस छवि के किन हिस्सों को अधिक विवरण की आवश्यकता है?" और विशेष रूप से उन्हें बूस्ट करती है।

3. फोकस फ़िल्टर (CBAM): अंत में, उन्होंने एक CBAM (Convolutional Block Attention Module) जोड़ा है। यह एक स्पॉटलाइट की तरह कार्य करता है। एक बार जब सिस्टम ने सभी जानकारी एकत्र कर ली होती है, तो CBAM मॉड्यूल यह तय करता है कि छवि के कौन से हिस्से वास्तव में महत्वपूर्ण (दोष) हैं और कौन से केवल बैकग्राउंड शोर (जैसे तेल के धब्बे या छाया) हैं, जिससे सिस्टम को शोर को अनदेखा करने और पूरी तरह से समस्या पर ध्यान केंद्रित करने का निर्देश मिलता है।

उन्होंने क्या पाया

लेखकों ने अपने नए YOLOv11-AHFE सिस्टम का परीक्षण मूल, मानक YOLOv11 के विरुद्ध किया, जिसका उपयोग GC10-DET नामक डेटासेट के साथ किया गया, जिसमें दस अलग-अलग प्रकार के धातु दोष शामिल हैं, जैसे कि "पंचिंग होल्स" से लेकर "वेस्ट फोल्डिंग" तक। यह डेटासेट कठिन है क्योंकि कुछ दोष बहुत बड़े होते हैं, जबकि अन्य बहुत छोटे होते हैं, और बैकग्राउंड अक्सर अव्यवस्थित और लो-कॉन्ट्रास्ट वाला होता है।

परिणामों ने दिखाया कि उनकी नई विधि वास्तव में परेशानी को पहचानने में बेहतर थी।

• सटीकता (Accuracy): मानक YOLOv11 ने 0.607 (mAP50) का स्कोर प्राप्त किया, जो इस बात का माप है कि उसने कितनी बार दोषों को सही ढंग से पाया। नया YOLOv11-AHFE इसे सुधारकर 0.672 कर देता है।
• कुल प्रदर्शन (Overall Performance): सटीकता के एक सख्त मापन (mAP50-95) को देखते हुए, मानक मॉडल ने 0.309 स्कोर किया, जबकि नया मॉडल 0.352 पर पहुँच गया।

शोध पत्र सुझाव देता है कि ये सुधार "वेल्डिंग लाइन्स", "इन्क्लूजन", "रोल पिट्स" और "क्रीज़" जैसे कठिन दोषों के लिए विशेष रूप से ध्यान देने योग्य हैं। उनके अध्ययन में दृश्य तुलनाएं दिखाती हैं कि नया मॉडल कम दोषों को मिस करता है और अव्यवस्थित बैकग्राउंड से भ्रमित होने की संभावना कम रखता है।

निष्कर्ष

लेखक निष्कर्ष निकालते हैं कि वे वेवलेट-आधारित उपकरणों को एकीकृत करके, सफलतापूर्वक एक ऐसा सिस्टम बना पाए हैं जो मूल YOLO की गति को बनाए रखता है लेकिन उन "उच्च-आवृत्ति" विवरणों को देखने में बहुत बेहतर है जो औद्योगिक सुरक्षा के लिए महत्वपूर्ण हैं। वे सुझाव देते हैं कि यह दृष्टिकोण वास्तविक दुनिया के कारखाने के निरीक्षण के लिए एक आशाजनक कदम है, जहाँ एक छोटी सी दरार को मिस करना बड़ी समस्याओं का कारण बन सकता है। हालांकि उन्होंने दुनिया की हर समस्या को हल करने का दावा नहीं किया है, लेकिन GC10-DET डेटासेट पर उनके प्रयोगों ने पुख्ता सबूत दिए हैं कि कंप्यूटर को उच्च-आवृत्ति संकेतों के लिए "सुपर-ईयर्स" देने से वह एक बहुत अधिक सटीक जासूस बन जाता है।