Методика та результати виявленні дефектів сталевої пластини на основі мережі yolo26

Abstract

Робота присвячена розробленню та експериментальній перевірці моделі автоматичного виявлення дефектів металевих листів на основі архітектури YOLO26 для потреб швидкого промислового контролю якості. Дослідження проведено на наборі з 1350 кадрованих зображень, що містять три класи пошкоджень: подряпини (scratch), лінії (line) та потертості (attrition). Оцінювання моделі показало високу узагальнювальну здатність із метриками mAP50=0.820 та F1=0.778, причому найвища точність досягнута для класу потертостей, тоді як основний масив помилок припадає на слабоконтрастні подряпини. Встановлено, що мережа YOLO26 є перспективною для точного розпізнавання дефектів, проте потребує подальшого вдосконалення алгоритмів локалізації ушкоджень екстремальної форми в умовах реального виробництва.

This paper presents the development and experimental validation of an automated metal sheet defect detection model based on the YOLO26 architecture for rapid industrial quality control. The study utilizes a dataset of 1,350 cropped images encompassing three types of surface damage: scratches, lines, and attrition. The model demonstrated strong generalization, achieving mAP50=0.820 and F1=0.778, with the highest precision observed for the attrition class and most errors associated with low-contrast scratches. While YOLO26 proves highly effective and accurate for defect recognition, further improvements are required to localize extreme-shaped defects under varying industrial conditions accurately.