Обнаружение дефектов металлопроката с помощью модифицированной на основе физически-информированного градиентного анализа функции потерь YOLOv8

Исследуется проблема автоматического обнаружения дефектов металлических листов на производстве, предложен модифицированный метод обучения нейронной сети YOLOv8, интегрирующий функцию потерь на основе физически-информированного градиентного анализа (Physics-Informed Gradient Loss, PIG-Loss). В отличие от стандартных подходов, основанных только на регрессии координат, предложенный метод учитывает текстурные и геометрические особенности дефектов за счет анализа градиентов яркости и анизотропии структуры объектов c использованием оператора Собеля. Экспериментальные исследования на наборе данных GC10-DET показали, что внедрение компоненты PIG-Loss позволяет повысить точность локализации (mAP50-95) и снизить число ложноположительных срабатываний, вызванных промышленными шумами (бликами). Результаты подтверждают эффективность гибридного подхода, сочетающего глубокое обучение с методами математического анализа структуры изображений.

Аффилиация авторов
Охоткин Григорий Петрович – д-р техн. наук, доцент, декан факультета радиоэлектроники и автоматики,
Потапов Андрей Геннадиевич – аспирант, Чувашский государственный университет им. И.Н. Ульянова.
E-mail: elius@list.ru; falcon_mc@bk.ru

Список литературы
1. Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 779–788.
2. Li J., Su Z., Geng J., Yin Y. Real-time Detection of Steel Strip Surface Defects Based on Improved YOLO Detection Network // IFAC-PapersOnLine. 2018. Vol. 51, № 21. P. 76–81.
3. Sobel I., Feldman G. A 3x3 Isotropic Gradient Operator for Image Processing // Talk at the Stanford Artificial Intelligence Project (SAIL). 1968.
4. Lv X., Duan F., Jiang J. Deep Metallic Surface Defect Detection: The New Benchmark and Detection Network // Sensors. 2020. Vol. 20, № 6. P. 1562.
5. Jahne B. Digital Image Processing. 6th ed. Berlin: Springer, 2005. 624 p.
6. Jocher G., Chaurasia A., Qiu J. Ultralytics YOLOv8 (Version 8.0.0). 2023.
7. Gevorgyan Z. SIoU Loss: More Powerful Learning for Bounding Box Regression // arXiv preprint arXiv:2205.12740. 2022.
8. Raissi M., Perdikaris P., Karniadakis G.E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations // Journal of Computational Physics. 2019. Vol. 378. P. 686–707.
9. Хальясмаа А.И. Метод автоматического анализа тепловизионных изображений высоковольтного оборудования с помощью алгоритмов компьютерного зрения и машинного обучения без учителя // Электротехника. 2019. № 9. С. 37–43.
10. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. — 800 p.
11. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2012. 1104 с.
12. Hu Z., Wang F., Liu X. LSD-YOLOv5: A steel strip surface defect detection algorithm based on lightweight network and enhanced feature fusion // Sensors. 2023. Vol. 23. Article 6558.
13. Chen J., Li W., Zhao H. A novel YOLOv10-based algorithm for accurate steel surface defect detection // Sensors. 2024.
14. Zhang H., Wang Y., Liu Z. YOLO-MSD: a robust industrial surface defect detection model via multi-scale feature fusion // Applied Intelligence. 2025.