High-Accuracy Surface Defect Detection for Metal Strips: Lightweight YOLOv5s-SC2 with LAMP Pruning
Dit artikel stelt een lichtgewicht, nauwkeurig model voor voor de detectie van oppervlaktefouten in metaalstrips, genaamd YOLOv5s-SC2, dat architecturale verbeteringen zoals SAC en RepGFPN integreert om een mAP van 84,3% op de NEU-DET-dataset te bereiken en LAMP-pruning gebruikt om de modelgrootte en computationele kosten aanzienlijk te verminderen voor efficiënte edge-implementatie met minimaal verlies van nauwkeurigheid.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een kwaliteitsinspecteur bent op een supersnelle assemblageband, maar in plaats van speelgoed of snacks te controleren, inspecteer je lange, glanzende metalen linten. Deze metalen stroken zijn de ruggengraat van alles, van carrosserieën van auto's tot keukenapparatuur, maar ze zijn gevoelig voor krassen, scheurtjes of putjes tijdens hun reis. Als er een minuscuul defect doorheen glipt, kan dat het hele product verpesten. Lange tijd probeerden mensen deze defecten met het blote oog te spotten, maar zij worden moe en machines die oude sensoren gebruiken, missen soms de kleine details of raken in de war door de schittering van het metaal.
Welkom in de wereld van computer vision, waar we computers leren om te "zien" net zoals wij dat doen, maar dan met de snelheid van een blikseminslag. Het populairste hulpmiddel voor deze taak is iets dat een "neuraal netwerk" wordt genoemd, wat in feite een digitale hersenpan is die patronen leert herkennen door naar duizenden afbeeldingen te kijken. Een specifiek type van dit brein, genaamd YOLO (wat staat voor "You Only Look Once"), is beroemd om zijn ongelooflijke snelheid. Maar er is een addertje onder het gras: deze digitale breinen zijn vaak te zwaar en traag voor de kleine, goedkope computers die op fabrieksvloeren worden gebruikt. Ze moeten licht genoeg zijn om in real-time te draaien, maar ook scherp genoeg om een haarlijnbreuk te ontdekken. Dit is de puzzel die wetenschappers proberen op te lossen: hoe maken we een superintelligente detector die ook vederlicht is?
Dat is precies de puzzel die een team onderzoekers van de Taiyuan University of Science and Technology aanpakte in hun nieuwe studie. Ze wilden een betere versie van de YOLOv5s-detector bouwen, specifiek voor het opsporen van defecten in metalen stroken, en deze vervolgens verkleinen zodat deze op kleine apparaten kan draaien zonder haar scherpe ogen te verliezen.
Dit is hoe ze het deden. Eerst realiseerden ze zich dat het standaard "netwerk" dat de computer gebruikt om defecten te vangen, niet helemaal geschikt was voor de vreemde vormen van krassen en scheuren. Dus pasten ze het ontwerp van het netwerk aan. Ze vervingen enkele oude onderdelen door nieuwere, efficiëntere onderdelen genaamd "C2f" en "Switchable Atrous Convolution". Denk hierbij aan het upgraden van de versnellingen van een fiets; de nieuwe versnellingen laten de fiets steile heuvels beklimmen (het detecteren van kleine, moeilijk te zien defecten) zonder dat de fietser uitgeput raakt (te veel computerkracht verbruikt). Ze voegden ook een speciaal "aandachtsmechanisme" toe, wat lijkt op het geven van een bril met een hoge vergroting aan de computer, die zegt: "Negeer de glimmende achtergrond, kijk precies hier naar die kleine kras!"
Na het bouwen van deze superdetector, die ze YOLOv5s-SC2 noemden, testten ze deze op een dataset van 1.800 afbeeldingen van metalen stroken met zes verschillende soorten defecten. De resultaten waren indrukwekkend. Het nieuwe model spoot defecten met een nauwkeurigheidsscore (mAT genoemd) van 84,3%, wat 4,4 procentpunt beter is dan de originele, ongewijzigde versie. Het was bijzonder goed in het vinden van de lastige, kleine defecten die normaal gesproken door de mazen van het net glippen.
Maar een superintelligent model is nutteloos als het te zwaar is om te dragen. De onderzoekers wisten dat fabrieken deze modellen op kleine "edge devices" moeten kunnen draaien, dus pasten ze een techniek toe genaamd LAMP pruning. Stel je voor dat je een enorme rugzak vol gereedschap hebt. Je weet dat je slechts een paar specifieke instrumenten nodig hebt voor de klus, dus verwijder je zorgvuldig de zware, overbodige gereedschappen zonder de gereedschappen weg te gooien die je daadwerkelijk nodig hebt. Dit is wat LAMP pruning deed: het sneed de onnodige delen van het digitale brein weg.
Toen ze het model inkrompen om het 2,5 keer sneller te maken, bereikten ze een ideaal evenwicht tussen snelheid en intelligentie. De grootte van het model daalde naar 56,2% van het oorspronkelijke gewicht, het geheugengebruik daalde naar 56,9%, en de hoeveelheid wiskunde die het moest uitvoeren (computationele kosten) stortte in naar 39,4%. Het beste deel? De nauwkeurigheid knipperde nauwelijks en daalde met slechts 0,2 procentpunt.
Kortom, het team heeft succesvol een lichtgewicht, hogesnelheidsdetective voor metalen stroken gebouwd. Ze bewezen dat door de interne versnellingen te upgraden en vervolgens het overtollige gewicht zorgvuldig weg te snijden, je een systeem kunt creëren dat zowel ongelooflijk nauwkeurig als licht genoeg is om op de fabrieksvloer te draaien, waardoor wordt gegarandeerd dat elke metalen strook die de lijn verlaat zo perfect mogelijk is.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.