Lightweight Adaptive YOLOv11 for Industrial Defect Perception and Closed-Loop Sorting Cybernetic Control System

Technische Samenvatting: Lichtgewicht Adaptieve YOLOv11 voor Industriële Defectperceptie en een Cybernetisch Closed-Loop Sorteersysteem

Probleemstelling
Industriële inspectie van oppervlaktedefecten en automatische sortering zijn cruciale feedbackverbindingen in intelligente fabricage-cybernetische systemen. Bestaande detectiemethoden kampen echter met drie primaire knelpunten bij toepassing op industriële cybernetische regeling:

1. Implementatiebeperkingen: Conventionele modellen hebben vaak een omvangrijk aantal parameters en een lage inferentiesnelheid, waardoor ze niet voldoen aan de milliseconde-feedbackvereisten die nodig zijn voor real-time industriële regeling op apparaten met een laag vermogen aan de rand (edge devices).
2. Omgevingsrobuustheid: Industriële defecten vertonen multi-schaal distributies en zwakke kenmerksignalen die gevoelig zijn voor ongelijkmatige verlichting, oppervlakte-occlusie en achtergrondruis. Netwerken met een vaste structuur lijden vaak aan instabiele extractie van kenmerken, wat leidt tot foutieve detecties of gemiste detecties.
3. Systeemontkoppeling: De meeste bestaande YOLO-gebaseerde onderzoeken richten zich uitsluitend op geïsoleerde beeldherkenningstaken. Er is een gebrek aan koppeling tussen detectie-outputs en industriële actuatoren, wat de vorming van een gestandaardiseerd perceptie-beslissing-executie closed-loop cybernetisch feedbacksysteem verhindert.

Methodologie
Het artikel stelt een Lichtgewicht Adaptieve YOLOv11 detector voor, geïntegreerd in een volledig machine learning-perceptie-gestuurd closed-loop sorteer-cybernetisch controlesysteem. De aanpak omvat drie kerncomponenten van de techniek:

1. Lichtgewicht Coördinaat Adaptieve Aandachtsmodule (LCAA Module):

   • Ingebed in de C2f-blokken van de YOLOv11-backbone.
   • Integreert ruimtelijke coördinatieperceptie met kanaaladaptieve weging.
   • Maakt gebruik van horizontale en verticale één-dimensionale pooling om langafstands-ruimtelijke afhankelijkheden te vangen, waarbij de computationele overhead van 2D globale pooling wordt vermeden.
   • Vervangt traditionele volledig verbonden lagen door een lichtgewicht $1\times1$ convolutie om het aantal parameters met ongeveer 15% te verminderen, terwijl de kenmerkrespons van kleine, wazige defecten wordt verbeterd en achtergrondruis wordt onderdrukt.

2. Adaptieve Multi-schaal Kenmerksfusiestrategie:

   • Geïmplementeerd in het neck-netwerk (Feature Pyramid).
   • Past de fusiewegingen tussen ondiepe fijnmazige texturen en diepe semantische kenmerken dynamisch aan op basis van de real-time schaalverdeling van doeldefecten binnen een batch.
   • Gebruikt een schaalfactor $s$ afgeleid van de bounding box-afmetingen om adaptieve gewichten ($\alpha_s$ en $\alpha_d$) te berekenen. Dit zorgt ervoor dat kleine defecten hoogresolutie texturele informatie behouden, terwijl grote defecten profiteren van globale semantische integriteit, wat gemiste detecties over variërende schalen heen mitigeert.

3. Closed-Loop Cybernetisch Controlesysteem:

   • Architectuur: Bestaat uit een edge visuele perceptiemodule (Jetson Nano), een upper computer beslissingscontrolemodule en een executie sorteermodule (mechanische arm).
   • Logica: Het geoptimaliseerde model fungeert als de sensor van het systeem. Real-time detectie-outputs (type defect, coördinaten, betrouwbaarheid) dienen als staat-feedbacksignalen.
   • Regeling: De upper computer koppelt de detectiegegevens aan vooraf ingestelde logica om sorteerinstructies te genereren. De mechanische arm voert offset-sortering uit voor defecte producten, terwijl gekwalificeerde producten worden doorgelaten, waardoor een negatieve feedbackloop ontstaat.
   • Implementatie: Het model is gekwantiseerd en geoptimaliseerd voor edge embedded hardware om single-frame detectietijden onder de 30 ms te garanderen, met een totale systeem end-to-end vertraging onder de 50 ms.

Belangrijkste Bijdragen
Het artikel identificeert drie kerninterdisciplinaire innovaties:

1. Algoritmische Optimalisatie: De voorstel van de LCAA-module, die gelijktijdig de computationele overhead van het netwerk comprimeert en de extractie van kenmerken voor kleine, kwalitatief minderwaardige defecten verbetert, wat zorgt voor stabiele inputsignalen voor de controller.
2. Dynamische Adaptatie: Het ontwerp van een adaptieve multi-schaal kenmerksfusiestrategie die de verhoudingen van de kenmerksfusie autonoom aanpast op basis van de doelmaat, wat de robuustheid tegen variabele defectgroottes verbetert en control-signaaljitter door detectie-instabiliteit voorkomt.
3. Systeemintegratie: De constructie van een volledig "perceptie-beslissing-executie" closed-loop framework. Dit werk koppelt real-time lichtgewicht detectie-outputs direct aan industriële sorteercontrollers, waardoor de scheiding tussen machine learning-algoritmen en industriële automatische regelapparatuur wordt doorbroken.

Experimentele Resultaten
Experimenten werden uitgevoerd op de publieke NEU steel defect dataset (1.800 afbeeldingen, 6 defecttypen) en gevalideerd op een fysiek edge- sorteerplatform.

• Detectieprestaties: De voorgestelde methode bereikte 97,2% mAP@0.5, een verbetering van 2,7% ten opzichte van de vanilla YOLOv11 (94,5%).
• Efficiëntie: Vergeleken met de originele YOLOv11 werden de parameters verminderd met 28,6% (van 7,82M naar 5,58M) en nam de inferentiesnelheid (FPS) toe met 32,1% (van 58,6 naar 77,4).
• Vergelijkende Analyse: De methode presteerde beter dan mainstream algoritmen zoals SSD, YOLOv8 en YOLOv10 op het gebied van nauwkeurigheid, aantal parameters en inferentiesnelheid.
• Controlesysteemprestaties: Tests op het fysieke platform toonden een sorteer-succespercentage van 98,5% en een steady-state fout van minder dan 2%. Het systeem handhaafde een algehele end-to-end vertraging onder de 50 ms, wat voldoet aan de stabiliteitsbeperkingen van discrete industriële productielijnregeling.

Betekenis en Claims
Het artikel positioneert dit werk als een oplossing voor de ontkoppeling tussen machine learning visuele detectie en industriële automatische regeling.

• Interdisciplinaire Integratie: Het claimt de organische integratie van machine learning-perceptie en industriële cybernetische closed-loop regulatie te realiseren, wat aansluit bij de interdisciplinaire positionering van machine learning en cybernetica.
• Engineering Waarde: Door het detectiemodel te behandelen als een sensoreenheid binnen een discreet controlesysteem, gaat deze studie verder dan pure computer vision en biedt het een gestandaardiseerd paradigma voor visuele perceptie-feedbackregeling in intelligente fabricage.
• Praktische Toepassing: Het systeem maakt online kwaliteitsstatistieken en dynamische aanpassing van de productielijn-snelheid mogelijk, en biedt een haalbaar technisch schema voor de integratie van visuele perceptie en cybernetische regeling in diverse industriële scenario's.

De auteurs erkennen beperkingen en merken op dat de huidige validatie beperkt is tot de NEU-dataset en een simulatieplatform, en dat toekomstig werk zich zal richten op het uitbreiden van defect-datasets en het toevoegen van intelligente planning en fout zelfdiagnose-functies.