تشخیص عیوب سطوح فولادی مجموعه داده NEU با استفاده از روش های یادگیری عمیق

ورق های فولادی مواد ضروری برای صنایع می باشند و کاربردهای زیادی در صنایع دارند. به دلیل مشکلات مواد اولیه و فناوری،انواع مختلفی از عیوب ورق های فولادی همانند ترک ها, خراش هاء پیج شدن لبه هاء حفره ها؛ ساییدگی ها و سایر عیوب در فرآیند تولیدروی سطح تولید می شود که تاثیر زیادی بر مقاومت در برابر خوردگی و استحکام ورق فولادی دارند و نیز بر مزایای اقتصادی کارخانهتاثیر می گذارند و همچنین باعث کاهش کیفیت ورق های فولادی خواهند شد. برای بهبود خودکارسازی، افزایش کارایی و حفظکیفیت بالا در تولید فولاد استفاده از الگوریتم عمیق و هوش مصنوعی مدرن و پیاده سازی سیستم های هوشمند برای کمک بهتشخیص عیوب فولاد بسیار موثر است. در این پژوهش, از جدیدترین الگوریتم های یادگیری ماشین تقسیم بندی معنایی قابل استفادهبه صورت عملی در صنعت با استفاده از شبکه های عصبی هرمی ویژگی Efficientnet, FPN و Resnet استفاده شده است تابه خوبی بتوان عیب های سیستم را به صورت هوشمند تقسیم بندی و دسته بندی کرد. برای آموزش شبکه نیاز به مجموعه داده آموزشهست که که در این پژوهش از مجموعه داده NEU-DET استفاده شده که در آن شش نوع نقص سطح معمولی نوار فولادی نوردگرم جمح آوری شده است و توسط شبکه های در نظر گرفته شده آموزش داده شده است و توسط معیارهای Dice و IoU تقسیم بندیمقایسه شده است و نهایتا شبکه FPN-Resnet عملکر بهتری را برروی داده های آزمون برای معیار Dice با مقدار ۰.۷۹۴۹بدست آورده است.

کلیدواژه ها:

تشخیص عیب ، سطوح فولاد ، هوش مصنوعی ، یادگیری عمیق