ADE-MDA-Net: an asymmetric dual-encoder network with multi-dilation attention for bearing surface defect segmentation

In de verborgen machinerie van de moderne industrie, van de hogesnelheidstreinen die steden verbinden tot de turbines die draaien in windparken, houden kleine metalen ringen die lagers worden genoemd alles in beweging. Deze componenten zijn de onbezongen helden van de beweging, maar ze zijn ook de eersten die tekenen van slijtage vertonen. Na verloop van tijd kunnen de oppervlakken van deze lagers kleine krasjes, putjes of scheurtjes ontwikkelen. Als deze gebreken onopgemerkt blijven, kunnen ze groeien, wat wrijving, trillingen en uiteindelijk het plotselinge falen van de gehele machine veroorzaakt. Decennialang was het controleren op deze defecten afhankelijk van menselijke ogen die onder fel licht naar onderdelen scanden. Hoewel deze methode werkt, is het traag, vermoeiend en foutgevoelig wanneer een inspecteur urenlang naar dezelfde taak heeft gestaard. Om dit op te lossen, hebben ingenieurs zich tot computers gekeerd, waarbij ze de computers hebben geleerd om te zien wat mensen misschien missen. Dit vakgebied, bekend als computer vision, gebruikt kunstmatige intelligentie om afbeeldingen te analyseren en problemen te identificeren. De uitdaging is echter dat deze defecten vaak minuscuul zijn, vage randen hebben en zich verschuilen tegen complexe, getextureerde achtergronden die erg lijken op de defecten zelf. Het laten onderscheiden van een microscopische kras van een schaduw of een metaalgraan door een computer vereist een niveau van precisie waar standaardsoftware vaak moeite mee heeft.

Een team van onderzoekers heeft een nieuwe aanpak voor dit probleem ontwikkeld door een gespecialiseerd digitaal systeem te creëren dat specifiek is ontworpen om deze kleine imperfecties op de oppervlakken van lagers te vinden en in kaart te brengen. Ze noemen hun creatie ADE-MDA-Net, een naam die hun unieke structuur weerspieelt. In plaats van één pad te gebruiken om een afbeelding te analyseren, zoals de meeste traditionele systemen doen, gebruikt dit nieuwe netwerk twee verschillende paden die samenwerken, vergelijkbaar met een team waarbij het ene lid zich concentreert op fijne details terwijl het andere naar het grotere geheel kijkt. Het eerste pad, of de hoofd-encoder, is ontworpen om de scherpe, specifieke details van de afbeelding vast te houden, zodat zelfs de kleinste kras niet verloren gaat tijdens de verwerking. Het tweede pad, of de hulp-encoder, neemt een breder overzicht en gebruikt een techniek waarmee het gelijktijdig patronen op verschillende formaten kan zien. Deze tweeledige aanpak stelt het systeem in staat om zowel de precieze vorm van een defect als de relatie met de omgeving te begrijpen, een combinatie die cruciaal is wanneer de grenzen tussen een defect en het metaal onduidelijk zijn.

Om deze twee paden effectief te laten samenwerken, hebben de onderzoekers verschillende slimme hulpmiddelen aan het systeem toegevoegd. Eén hulpmiddel helpt het netwerk te beslissen welke delen van de afbeelding belangrijk zijn en welke slechts achtergrondruis zijn, waardoor de computer effectief leert om de textuur van het metaal te negeren en zich alleen op de gebreken te concentreren. Een ander hulpmiddel helpt het systeem de grootte van het defect te begrijpen, of het nu een minuscuul stipje of een lange, dunne kras is, door de afbeelding te bekijken door verschillende "lenzen" die informatie op verschillende schalen vastleggen. Een derde hulpmiddel fungeert als een brug die de informatie van het gedetailleerde pad en het brede pad combineert om één helder beeld te creëren van waar de defecten zich bevinden. De onderzoekers testten dit systeem op een grote collectie afbeeldingen, inclusclusief een nieuwe set lagerfoto's die zij zelf hebben gemaakt en een publieke set afbeeldingen die defecten op metaalstrips laten zien. De resultaten toonden aan dat deze nieuwe methode aanzienlijk beter was in het vinden van defecten dan eerdere systemen. Het identificeerde succesvol de locatie en vorm van gebreken met een hoge nauwkeurigheid, zelfs wanneer de defecten zeer klein waren of zwakke randen hadden die moeilijk te zien waren.

De studie keek ook naar hoe snel en efficiënt het systeem was, wat essentieel is voor echt fabrieksgebruik waar snelheid ertoe doet. Het nieuwe netwerk was in staat om afbeeldingen snel te verwerken, waarbij het ongeveer tweehonderd afbeeldingen per seconde verwerkte, terwijl het een gematigde hoeveelheid rekenkracht gebruikte. Deze balans tussen snelheid en nauwkeurigheid is een belangrijk voordeel, aangezien dit betekent dat het systeem gebruikt kan worden in een drukke productielijn zonder de boel te vertragen. Wanneer het wordt vergeleken met andere geavanceerde methoden die momenteel beschikbaar zijn, produceerde deze nieuwe aanpak consequent completere en nauwkeurigere kaarten van de defecten. Het was bijzonder goed in het behouden van de continuïteit van lange, dunne krassen en in het vinden van meerdere kleine defecten die andere systemen soms misten of in stukken braken. De onderzoekers bevestigden dat elk onderdeel van hun nieuwe ontwerp bijdroeg aan dit succes, en lieten zien dat de combinatie van de twee paden en de gespecialiseerde hulpmiddelen de sleutel tot de verbetering was.

Uiteindelijk biedt dit werk een praktische stap voorwaarts voor de industriële kwaliteitscontrole. Door een manier te bieden om defecten aan het oppervlak van lagers automatisch en nauwkeurig te detecteren, kan het systeem fabrikanten helpen problemen eerder te ontdekken, verspilling te verminderen en defecten van apparatuur te voorkomen. De onderzoekers suggereren dat hoewel hun huidige systeem zeer effectief is, er nog ruimte is om het nog lichter en sneller te maken voor breder gebruik. Ze zien ook potentie om deze zelfde tweeledige strategie toe te passen op andere soorten industriële oppervlakken waar het detecteren van kleine, onregelmatige gebreken cruciaal is. De bevindingen laten zien dat door het nabootsen van de manier waarop verschillende soorten visuele aandacht samenwerken, computers getraind kunnen worden om de onzichtbare details te zien die onze machines veilig en efficiënt laten draaien.