بازرسی خودکار عیوب سطحی فولاد یکی از چالش‌های اساسی در صنایع فولادسازی محسوب می‌شود، زیرا روش‌های سنتی مبتنی بر بازرسی انسانی علاوه بر هزینه‌ی بالا، از دقت و پایداری محدودی برخوردارند. در سال‌های اخیر، شبکه‌های عصبی عمیق به‌ویژه الگوریتم‌های تشخیص شیء مبتنی بر یولو به‌عنوان راهکارهایی کارآمد برای حل این مسئله معرفی شده‌اند. با این حال، همچنان چالش‌هایی نظیر عدم توازن داده‌ها، شباهت بصری میان برخی عیوب، و ناپایداری تصمیم‌گیری مدل‌ها در محیط‌های صنعتی واقعی وجود دارد. در این پژوهش، یک چارچوب بهینه‌شده برای تشخیص عیوب سطحی فولاد بر پایه‌ی الگوریتم YOLO v5 ارائه شده است. ابتدا عملکرد مدل پایه‌ی به‌عنوان خط مبنا مورد ارزیابی قرار گرفت. سپس مدل پیشنهادی YOLO-CA با بهره‌گیری از معماری تقویت‌شده، استخراج ویژگی‌های چندمقیاسه و مکانیزم‌های توجه کانالی توسعه داده شد. در این پژوهش، یک چارچوب بهینه‌سازی‌شده مبتنی بر ورژن پنجم الگوریتم یولو برای تشخیص خودکار عیوب سطحی فولاد ارائه شده است. برخلاف رویکردهای پیشین که صرفاً از معماری پایه یولو استفاده می‌کنند، در این تحقیق مجموعه‌ای از تغییرات ساختاری، داده‌ای و تصمیم‌گیری به‌صورت مرحله‌ای روی مدل پایه اعمال شده که منجر به شکل‌گیری مدل پیشنهادی YOLO-CA شده است. در گام نخست، به‌منظور افزایش توان استخراج ویژگی، بک بون مدل با EfficientNetV2 جایگزین شده و با افزودن ماژول‌های ASPP ، SE Attentionو FeaturePick، قابلیت مدل در استخراج ویژگی‌های چندمقیاسی و تمرکز بر نواحی مهم تصویر بهبود یافته است. در ادامه، به‌منظور افزایش تعمیم‌پذیری مدل، راهبردهای پیشرفته افزایش داده شامل افزایش داده آفلاین و آنلاین و یادگیری مرحله‌ای به‌کار گرفته شده‌اند. نتایج آزمایش‌ها نشان داد که اگرچه افزایش داده موجب بهبود دقت کلی مدل می‌شود، اما استفاده‌ی کنترل‌نشده از آن می‌تواند منجر به ناپایداری در تصمیم‌گیری شود. در مقابل، یادگیری تدریجی تعادل بهتری میان دقت و پایداری ایجاد می‌کند. علاوه بر این، در این پژوهش راهبرد نوینی تحت عنوان تنظیم آستانه‌ی تصمیم‌گیری به‌صورت کلاس‌محور ارائه شده است که بدون تغییر در ساختار شبکه، توازن دقت–بازخوانی میان کلاس‌های مختلف را به‌طور محسوسی بهبود می‌بخشد. تحلیل عمیق نتایج نشان داد که کلاس آخال غیرفلزی پس از آموزش‌های هدفمند به مرحله‌ی اشباع یادگیری رسیده و سهم اصلی آن در کاهش عملکرد کلی مدل، ناشی از همپوشانی مفهومی با سایر عیوب است. بر این اساس، راهبرد حذف این کلاس و همچنین ادغام آن با کلاس خراش مورد بررسی قرار گرفت که منجر به افزایش قابل‌توجه دقت، پایداری و قابلیت تعمیم مدل شد. در نهایت، نتایج حاصل بیانگر آن است که ترکیب معماری بهینه، راهبردهای آموزشی هدفمند، کالیبراسیون تصمیم‌گیری و بازتعریف مسئله می‌تواند یک سامانه‌ی تشخیص عیب دقیق، پایدار و مناسب برای کاربردهای صنعتی واقعی فراهم آورد.
