De jacht op onzichtbare gebreken in een zee van staal

Stel je voor dat je een kwaliteitsinspecteur bent voor een enorme fabriek die staal produceert. Dit staal is de ruggengraat van onze moderne wereld; het wordt gebruikt voor alles, van de auto's waarin we rijden tot de wolkenkrabbers waarin we wonen. Maar hier komt de crux: staal is niet perfect. Tijdens het productieproces kunnen er minuscule scheurtjes, krassen en putjes op het oppervlak verschijnen. Als deze gebreken te klein zijn om met het blote oog te zien, kunnen ze er later voor zorgen dat het staal breekt, wat leidt tot gevaarlijke ongelukken of dure reparaties.

Om deze onzichtbare boelmakers te vangen, gebruiken fabrieken "computerogen"—slimme camera's aangedreven door Kunstmatige Intelligentie (AI). Deze AI-systemen worden getraind om naar foto's van staal te kijken en de slechte plekken te ontdekken. Lange tijd waren de beste AI-tools voor deze taak gebaseerd op een beroemde familie van algoritmen genaamd YOLO (wat staat voor "You Only Look Once"). Denk aan YOLO als een supersnelle, superobservante beveiligingsbeambte die een menigte scant om een specifiek persoon te vinden. Echter, net zoals een menselijke bewaker een minuscuul stofje op een glanzende vloer kan missen, hebben deze AI-bewakers soms moeite met het zien van zeer kleine defecten of vreemd gevormde scheuren in staal. Ze zijn geweldig in het vinden van grote dingen, maar ze verliezen vaak de fijne details wanneer de afbeelding wordt uitgezood of verwerkt. Dit artikel pakt dat specifieke probleem aan: hoe we de computerogen scherp genoeg kunnen maken om de allerkleinste, meest gevaarlijke gebreken te zien zonder de fabriek te vertragen.

Het verhaal van het papier: AI leren om het "onzichtbare" te zien

In dit onderzoek besloten een team onderzoekers van de Xijing Universiteit en een lokaal energiebedrijf in China de standaard YOLO AI-bewaker een upgrade te geven. Ze merkten op dat de oude modellen de "kleine dingen" misten—minuscule krassen en onregelmatige scheuren die lijken op dunne lijnen of wazige randen. Het probleem was dat de AI te veel gefocust was op het grote plaatje en de fijne details verloor tijdens het scanproces. Om dit op te lossen, bouwden ze een nieuwe, slimmere versie genaamd YOLO-LOLG Mamba.

Stel je de oude AI-modellen voor als een fotograaf die probeert een foto te maken van een kleine mier op een gigantisch billboard. De fotograaf blijft uitzoomen om het hele billboard te zien, maar doet hij dat, dan wordt de mier een waas. De onderzoekers realiseerden zich dat ze twee nieuwe hulpmiddelen nodig hadden om de fotograaf te helpen:

1. Het "Supervergrootglas" (LODConv): Het eerste hulpmiddel is een speciale module genaamd LODConv. Stel je dit voor als een vergrootglas dat niet alleen inzoomt, maar ook precies weet waar het moet kijken. Het helpt de AI om de kleine, fragiele details van kleine defecten vast te houden, zodat ze niet verloren gaan in de waas. Het is alsof je de beveiligingsbeambte een bril geeft die de textuur van het staal accentueert, waardoor zelfs de kleinste kras opvalt.
2. De "Lijnvolger" (LDAM): Staaldefecten zien er vaak uit als lange, dunne lijnen (zoals een kras) of vreemde, grillige vormen. Standaard AI-tools zijn slecht in het volgen van deze lijnen omdat ze meestal naar kleine, vierkante blokjes van de afbeelding kijken. De onderzoekers voegden een "Lijnvolger"-module (LDAM) toe die specifer is ontworpen om deze lange, kronkelende paden te volgen. Het is alsoft de bewaker te trainen om een enkele draad wol door een rommelige kamer te volgen, in plaats van alleen maar naar de stapel wol te kijken.

Maar het zien van de details was niet genoeg. De AI moest ook begrijpen hoe het hele plaatje in elkaar zit. Dat is waar het derde hulpmiddel in beeld komt: MsGroupMamba.

Stel je voor dat je probeert een puzzel op te lossen. Als je slechts één stukje tegelijk bekijkt, merk je misschien niet dat het bij de lucht hoort. Maar als je even afstand kunt nemen en kunt zien hoe de stukjes over de hele puzzel verbonden zijn, los je het sneller op. De MsGroupMamba-module fungeert als een "puzzeloplosser" die de kleine details (van het vergrootglas) verbindt met het grote plaatje (het hele staalblad). Het gebruikt een speciaal type wiskunde genaamd "State Space Models" om naar de gehele afbeelding te kijken, waarbij begrepen wordt hoe een kleine kras in een hoek zich verhoudt tot de rest van het oppervlak. Dit helpt de AI om het "verhaal" van het defect te begrijpen, en niet alleen de vorm.

Wat ze vonden

De onderzoekers testten hun nieuwe YOLO-LOLG Mamba-systeem op twee beroemde collecties van staaldefect-foto's: de NEU-DET dataset (met 1.800 afbeeldingen van zes soorten defecten) en de GC10-DET dataset (met 2.300 afbeeldingen van tien verschillende soorten defecten).

De resultaten waren veelbelovend. Op de NEU-DET dataset behaalde het nieuwe model een score van 80,55% (specifiek een mAP@0.5 van 80,55%). Om dat in perspectief te plaatsen: het standaard YOLOv8-model (de "voorheen" versie) scoorde slechts 76,61%. Dat betekent dat het nieuwe systeem ongeveer 3,94% meer defecten correct heeft gevonden. Nog indrukwekkender is dat het nieuwe model daadwerkelijk kleiner en sneller was dan de oude versie. Het gebruikte minder computerbronnen (slechts 2,36 miljoen parameters en 6,1 GFLOPs aan rekenkracht) vergeleken met de standaard YOLOv8, die 2,69 miljoen parameters en 6,9 GFLOPs gebruikte.

Het team voerde ook "ablatie-experimenten" uit, wat een chique manier is om te zeggen dat ze het nieuwe model uit elkaar haalden om te zien welk onderdeel wat deed. Ze ontdekten dat:

• Het toevoegen van alleen het "Supervergrootglas" (LODConv) hielp.
• Het toevoegen van alleen de "Lijnvolger" (LDAM) hielp.
• Het toevoegen van alleen de "Puzzeloplosser" (MsGroupMamba) hielp.
• Maar wanneer ze alle drie samenvoegden, werkte het model het best, waarbij het meer defecten vond terwijl het lichtgewicht bleef.

Ze vergeleken hun nieuwe aandachtsméchanismen (de "Lijnvolger") ook met andere populaire methoden zoals LKAttention en MSCA. Hun nieuwe methode, LDAM, vond consequent meer defecten en maakte minder fouten, wat bewees dat het beter was in het negeren van de achtergrondruis en het focussen op de werkelijke scheuren.

De kern van het verhaal

Dit artikel beweert niet elk probleem in de wereld van staalinspectie te hebben opgelost. De auteurs merken voorzichtig op dat hun model op publieke datasets is getest en mogelijk meer werk vereist om om te gaan met de chaos van de echte wereld, zoals veranderende lichtomstandigheden of verschillende soorten metaal. Ze suggereren echter dat door een "vergrootglas" voor kleine details, een "lijnvolger" voor vreemde vormen en een "puzzeloplosser" voor het grote plaatje te combineren, ze een veel scherper en efficiënter AI-hulpmiddel hebben gecreëerd.

In eenvoudige woorden hebben ze de computerbewaker geleerd om niet alleen maar "één keer te kijken", maar echt te gaan "zien" van de kleine, gevaarlijke gebreken die voorheen voor het oog verborgen bleven. Dit suggereert dat fabrieken in de toekomst meer defecten kunnen vangen voordat ze problemen worden, waardoor onze staalconstructies veiliger en sterker blijven.