การศึกษาเปรียบเทียบสถาปัตยกรรม YOLO สำหรับการตรวจจับข้อบกพร่องบนรอยเชื่อมที่ซับซ้อนภายใต้ความกำกวมของป้ายกำกับ

สุรเทพ แป้นเกิด; ปิยะพงษ์  ค้ำคูณ

ผู้แต่ง

สุรเทพ แป้นเกิด ภาควิชาการจัดการวิศวกรรมและเทคโนโลยี คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพ
ปิยะพงษ์ ค้ำคูณ ภาควิชาวิศวกรรมเครื่องกลและอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพ

คำสำคัญ:

การตรวจจับข้อบกพร่องรอยเชื่อม, การเรียนรู้เชิงลึก, การตรวจจับวัตถุ, วิสัยทัศน์คอมพิวเตอร์, โยโล

บทคัดย่อ

งานวิจัยมีวัตถุประสงค์เพื่อ 1) พัฒนาแบบจำลองตรวจจับข้อบกพร่องของรอยเชื่อมด้วยสถาปัตยกรรม YOLO จำนวน 3 เวอร์ชัน 2) เปรียบเทียบประสิทธิภาพของแบบจำลอง YOLOv11l, YOLOv12l และ YOLOv26l ภายใต้เงื่อนไขการทดลองเดียวกัน 3) วิเคราะห์ผลการตรวจจับข้อบกพร่องของรอยเชื่อมรายคลาส ได้แก่ รอยแตก (Crack), รูพรุน (Porosity), สะเก็ดเชื่อม (Spatter) และแนวเชื่อม (Weld Line) 4) พัฒนาเว็บแอปพลิเคชันต้นแบบสำหรับการตรวจจับข้อบกพร่องของรอยเชื่อม โดยทำการศึกษาชุดข้อมูลจาก Roboflow Universe จำนวน 5,544 ภาพ และทำการประเมินผลด้วยตัวชี้วัด ผลการทดลองพบว่า YOLOv26l ให้ประสิทธิภาพสูงที่สุด โดยเฉพาะเมื่อฝึกที่ 300 epochs ซึ่งให้ค่า Precision = 0.91, Recall = 0.876, mAP50 = 0.908, mAP50–95 = 0.773 และ F1-score = 0.89 แสดงถึงความสามารถในการตรวจจับและระบุตำแหน่งข้อบกพร่องได้อย่างแม่นยำเหนือกว่าโมเดลอื่น นอกจากนี้ผลการวิเคราะห์รายคลาสชี้ว่าโมเดลสามารถจำแนก Crack และ Weld Line ได้ดีอย่างสม่ำเสมอ ขณะที่ Porosity และ Spatter ยังคงมีความท้าทายเนื่องจากความคล้ายคลึงกับพื้นหลัง ทั้งนี้โมเดล YOLOv26l ถูกนำไปประยุกต์ใช้งานบนเว็บแอปพลิเคชันที่พัฒนาขึ้น ซึ่งสามารถใช้ตรวจจับข้อบกพร่องในสภาพแวดล้อมจริงได้อย่างมีประสิทธิภาพ สะท้อนศักยภาพของสถาปัตยกรรม YOLO รุ่นใหม่สำหรับการตรวจสอบคุณภาพรอยเชื่อมในภาคอุตสาหกรรม อย่างไรก็ตามงานวิจัยนี้ยังมีข้อจำกัดจากการใช้ชุดข้อมูลสาธารณะเพียงชุดเดียว จึงอาจยังไม่ครอบคลุมสภาพแวดล้อมจริงทั้งหมด

เอกสารอ้างอิง

Deepak JR, Bupesh Raja VK, Srikanth D, Surendran H, Nickolas MM. Non-destructive testing (NDT) techniques for low carbon steel welded joints: A review and experimental study. Mater Today Proc 2021;44:3732-7.

He G, Gao X, Zhang Y. Magneto optical imaging non-destructive testing of welding defects with controlled rotationally excited magnetic field based on improved NSCT-GWO-PCNN image fusion. Opt Lasers Eng 2026;201:109718.

Hussain M. YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection. Machines 2023;11(7):677.

Mendieta EE, Quintero H, Pinzon-Acosta C. Application of convolutional neural networks for surface discontinuities detection in shielded metal arc welding process. Front Robot AI 2025;12:1632417.

Ling L, Wei G, Liu Y, Xu S, Wei L, Hong B. RBPSD-YOLOv8: weld surface defect detection based on improved YOLOv8. J Real Time Image Process 2025;22(4):152.

Wang CY, Yeh IH, Liao HYM. YOLOv9: Learning what you want to learn using programmable gradient information. In: proceedings of the 18th European Conference on Computer Vision (ECCV), September 29-October 4, 2024; Milan, Italy; 2024. p. 1-21.

Chairunisa YA, Kosala G. Performance comparison of YOLOv9, YOLOv10, and YOLOv11 for detecting highway potholes. In: proceedings of the 2025 International Conference on Data Science and Its Applications (ICoDSA), July 3-5, 2025; Jakarta, Indonesia; 2025. p. 7-12.

He L, Zhou Y, Liu L, Ma J. Research and application of YOLOv11-based object segmentation in intelligent recognition at construction sites. Buildings 2024;14(12):3777.

Gui Y, Xiao X, Fu Y, Yao M. A local training paradigm for YOLO models to enhance tiny object detection. Results Eng 2026;29:109835.

Redmon J, Farhadi A. YOLO9000: Better, faster, stronger. In: proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), July 21-26, 2017; Honolulu, HI, USA; 2017. p. 6517-25.

Kang S, Hu Z, Liu L, Zhang K, Cao Z. Object detection YOLO algorithms and their industrial applications: Overview and comparative analysis. Electronics 2025;14(6):1104.

Wang CY, Bochkovskiy A, Liao HYM. YOLOv7: trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In: proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), June 17-24, 2023; Vancouver, BC, Canada; 2023. p. 7464-75.

Wang A, Chen H, Liu L, Chen K, Lin Z, Han J, et al. Yolov10: Real-time end-to-end object detection. Adv Neural Inf Process Syst 2024;37: 107984-8011.

Yang C, Huang Z, Wang N. QueryDet: Cascaded sparse query for accelerating high-resolution small object detection. In: proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), June 18-24, 2022; New Orleans, LA, USA; 2022. p. 13668-77.

Tomków J, Rogalski G, Fydrych D, Łabanowski J. Improvement of S355G10+N steel weldability in water environment by Temper Bead Welding. J Mater Process Technol 2018;262:372-81.

Kam DH, Lee TH, Kim DY, Kim J, Kang M. Weld quality improvement and porosity reduction mechanism of zinc coated steel using tandem gas metal arc welding (GMAW). J Mater Process Technol 2021;294:117127.

Omoniyi PO, Mahamood RM, Akinlabi ET. Impact of process parameters of laser welding on the mechanical properties of Ti6Al4V: a review. J Chem Technol Metall 2021;56:1074-81.

Aminerealm. WDA fissures Dataset. Roboflow Universe [Internet]. 2025 [cited 2025 May 16]. Available from: https://universe.roboflow.com/aminerealm/wda-fissures/dataset/2

Zhang M, Hu Y, Xu B, Luo L, Wang S. DSF-YOLO for weld defect detection in X-ray images with dynamic staged fusion. Sci Rep 2025;15(1):23305.

Cheng H, Jiang H, Jing D, Huang L, Gao J, Zhang Y, et al. Multiscale welding defect detection method based on image adaptive enhancement. Knowl-Based Syst 2025;327:114174.

Anusree R, Hareendranathan RA, Suhail CPM. Nodule detection in breast ultrasound using deep learning-based instance segmentation. In: proceedings of the 2026 International Conference on Future and Advanced Computing Technologies (ICFACT), March 26-27, 2026; Krishnankoil, Tamil Nadu, India; 2026. p. 1-6.