بررسي و استفاده از يك مدل شبكه عصبي عميق براي تشخيص عيوب سطحي شمش فولادي در يك كيس دنياي واقعي در راستاي بنچ ماركينگ براي شركت فولاد سيرجان ايرانيان

تشخيص عيوب در فولاد نقش حياتي در تضمين كيفيت محصول و بالطبع افزايش بهره وري و سود شركت دارد. هدف اصلي اين پروژه بررسي و استفاده از يك شبكه يادگيري عميق براي شناسايي و طبقه‌بندي دقيق عيوب سطحي شمش در محصولات فولادي در راستاي بنچ ماركينگ متود براي شركت فولاد سيرجان ايرانيان است. با اتوماسيون فرآيند تشخيص، قصد داريم كارآيي را افزايش داده، خطاي انساني را كاهش داده و كنترل كيفيت كلي در عمليات توليد فولاد را بهبود بخشيم. روش شناسي با استفاده از مراحل زير انجام شده است :جمع‌آوري داده: جمع‌آوري مجموعه‌اي جامع از تصاوير فولادي كه شامل انواع مختلف عيوب نظير ناهنجاري‌هاي سطحي، شكستگي، خط و خش و نقص‌هاي ديگر است. اين مجموعه داده كه مربوط به شركت فولادي Severstal است،بعنوان پايه براي آموزش و ارزيابي مدل‌هاي يادگيري ماشيني استفاده خواهد شد.پيش‌پردازش: انجام مراحل پيش‌پردازش لازم بر روي داده‌هاي جمع‌آوري شده، از جمله تغيير اندازه تصاوير، نرمال‌سازي و خاكستري سازي،براي بهبود توانايي مدل در تشخيص عيوب و همچنين كاهش حجم محاسبات صورت گرفته است.طراحي مدل: براي طراحي مدل از مقايسه سه مدل شبكه عصبي عميق پيش آموزش داده شده EfficientNetB4، ResNet50 و DenseNet121 استفاده كرده كه پس از بدست آوردن دقت و Loss سه مدل و مقايسه اين پارامترها باهم،مدل ResNet50 نسبت به دو مدل ديگر برتري داشت .پيش بيني: بررسي عملكرد مدل روي داده هاي تست انتخاب شده،درراستاي استفاده اين مدل براي محيط توليد. پس از ارزيابي مدل،دقت مدل به عدد 90 درصد و مقدار loss مدل به عدد 0.48 رسيد كه نشان دهنده عملكرد مطلوبي مي باشد.