تشخيص عيوب سطوح فولادي مجموعه داده NEU با استفاده از روش هاي يادگيري عميق

Steel Surface Defect Detection of NEU Dataset based on Deep Learning Methods

ورق‌هاي فولادي مواد ضروري براي صنايع مي‌باشند و كاربردهاي زيادي در صنايع دارند. به دليل مشكلات مواد اوليه و فنّاوري، انواع مختلفي از عيوب ورق‌هاي فولادي همانند ترك‌ها، خراش‌ها، پيچ شدن لبه‌ها، حفره‌ها، ساييدگي‌ها و ساير عيوب در فرآيند توليد روي سطح توليد مي‌شود كه تأثير زيادي بر مقاومت در برابر خوردگي و استحكام ورق فولادي دارند و نيز بر مزاياي اقتصادي كارخانه تأثير مي‌گذارند و همچنين باعث كاهش كيفيت ورق‌هاي فولادي خواهند شد. 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 هرمي ويژگي FPN، Efficientnet و Resnet استفاده‌شده است تا به‌خوبي بتوان عيب‌هاي سيستم را به‌صورت هوشمند تقسيم‌بندي و دسته‌بندي كرد. براي آموزش شبكه نياز به مجموعه داده آموزش هست كه كه در اين پژوهش از مجموعه داده NEU-DET استفاده‌شده كه در آن شش نوع نقص سطح معمولي نوار فولادي نورد گرم جمع‌آوري‌شده است و توسط شبكه‌هاي در نظر گرفته‌شده آموزش داده‌شده‌است و توسط معيارهاي Dice و IoU تقسيم‌بندي مقايسه شده است و نهايتا شبكه FPN-Resnet عملكر بهتري را برروي داده‌هاي آزمون براي معيار Dice با مقدار 0.7949 بدست آورده است .