تشخیص عیوب و دسته بندی سطوح فولادی با استفاده از روش های یادگیری عمیق برمبنای مجموعه داده Severstal

نوار فولادی یک ماده مهم برای تولید صنعتی است و به طور گسترده در ساخت ماشین آلات» صنایع مختلف» هوافضا و سایر زمینه هااستفاده می شود. کیفیت سطح تاثیر مهمی بر زیبایی» عملکرد و دوام محصول دارد. بااین حال به دلیل شرایط ضعیف تولید واقعی وپیچیدگی جریان فرآینه نوارهای فولادی به عوامل بسیاری مانند تجهیزات نورد فناوری پردازش مواد اولیه و محیط خارجی در طولفرآیند تولید حساس هستند و درنتیجه انواع مختلف عیب روی سطح تشکیل می شوند. تشخیص عیوب به صورت دستی ناکارآمد ومستعد خطای انسانی است و هزینه های زیادی دارد برای کمک به کارآمدتر کردن تولید فولاد و برای بهبود خودکارسازی افزایشکارایی و حفظ کیفیت بالا در تولید فولاده استفاده از الگوریتم عمیق و هوش مصنوعی مدرن و پیاده سازی سیستم های هوشمند برایکمک به تشخیص عیوب فولاد بسیار موثر است. در این پژوهش, از جدیدترین الگوریتم های یادگیری ماشین تقسیم بندی معناییقابل استفاده به صورت عملی در صنعت با استفاده از شبکه های عصبی با معماری رمزگذار-رمزگشا مبتنی بر Unet و شبکه هرمیویژگی (FPN) و Efficientnet استفاده شده است تا به خوبی بتوان عیب های سیستم را به صورت هوشمند تقسیم بندی ودسته بندی کرد. برای آموزش شبکه نیاز به محموعه داده آموزش هست که در این پژوهش از مجموعه داده Severstalاستفاده شده که در آن تصاویر در مقیاس خاکستری در ۴ کلاس همراه با برچسب با انواع مختلف نقص جمع آوری شده است و توسطشبکه های در نظر گرفته شده آموزش داده شده است و توسط معیارهای Dice و IoU تقسیم بندی مقایسه شده است و نهایتا شبکهFPN-EfficientNet عملکرد بهتری را برروی داده های آزمون برای معیار Dice با مقدار ۰.۷۶۹۴ بدست آورده است.

کلیدواژه ها:

تشخیص عیب ، سطوح فولاد ، هوش مصنوعی ، یادگیری عمیق