تشخيص عيوب و دسته بندي سطوح فولادي با استفاده از روش هاي يادگيري عميق برمبناي مجموعه داده Severstal

Steel Surface Defect Detection and Classification based on Deep Learning Methods for Severstal Dataset

نوار فولادي يك ماده مهم براي توليد صنعتي است و به‌طور گسترده در ساخت ماشين‌آلات، صنايع مختلف، هوافضا و ساير زمينه‌ها استفاده مي‌شود. كيفيت سطح تأثير مهمي بر زيبايي، عملكرد و دوام محصول دارد. بااين‌حال، به دليل شرايط ضعيف توليد واقعي و پيچيدگي جريان فرآيند، نوارهاي فولادي به عوامل بسياري مانند تجهيزات نورد، فناوري پردازش، مواد اوليه و محيط خارجي در طول فرآيند توليد حساس هستند و درنتيجه انواع مختلف عيب روي سطح تشكيل مي‌شوند. تشخيص عيوب به‌صورت دستي ناكارآمد و مستعد خطاي انساني است و هزينه‌هاي زيادي دارد براي كمك به كارآمدتر كردن توليد فولاد و براي بهبود خودكارسازي، افزايش كارايي و حفظ كيفيت بالا در توليد فولاد، استفاده از الگوريتم عميق و هوش مصنوعي مدرن و پياده‌سازي سيستم‌هاي هوشمند براي كمك به تشخيص عيوب فولاد بسيار مؤثر است. در اين پژوهش، از جديدترين الگوريتم‌هاي يادگيري ماشين تقسيم‌بندي معنايي قابل‌استفاده به‌صورت عملي در صنعت با استفاده از شبكه‌هاي عصبي با معماري رمزگذار-رمزگشا مبتني بر Unet و شبكه هرمي ويژگي (FPN) و Efficientnet استفاده‌شده است تا به‌خوبي بتوان عيب‌هاي سيستم را به‌صورت هوشمند تقسيم‌بندي و دسته‌بندي كرد. براي آموزش شبكه نياز به مجموعه داده آموزش هست كه در اين پژوهش از مجموعه داده Severstal استفاده‌شده كه در آن تصاوير در مقياس خاكستري در ۴ كلاس همراه با برچسب، با انواع مختلف نقص جمع‌آوري‌شده است و توسط شبكه‌هاي در نظر گرفته‌شده آموزش داده‌شده‌است و توسط معيارهاي Dice و IoU تقسيم‌بندي مقايسه شده است و نهايتا شبكه FPN-EfficientNet عملكرد بهتري را برروي داده‌هاي آزمون براي معيار Dice با مقدار 0.7694 بدست آورده است .