تشخیص عیوب در خط تولید ورق فولادی با استفاده از شبکه ی عصبی یادگیریعمیق و لایه ی جدید تمرکز

با پیشرفت فناوری هوش مصنوعی، استفاده از شبکه های عصبی مصنوعی یادگیری عمیق، در صنایعمختلف برای تشخیص عیوب قطعات فلزی و جداسازی قطعات معیوب در خطوط تولید رو به افزایشاست. در این پژوهش، به طراحی یک ساختار جدید از شبکه های عصبی مصنوعی یادگیری عمیق باهدفاستفاده در کاربردهای صنعتی برای تشخیص عیوب قطعات فلزی و جداسازی قطعات معیوب در خطوطتولید پرداخته شده است. یک ساختار جدید از شبکه های عصبی یادگیری عمیق با استفاده از شبکه های عصبی مصنوعی خانواده EfficientNet به عنوان ستون فقرات شبکه ی پیشنهادی، به علت ویژگی خاص این خانواده که نیازمند زمان آموزش بسیار کمی است، پیشنهاد شده است. همچنین با بهره گیری از الگوریتم های پردازش تصویر یک لایه ی جدید Concentration Layer به نام لایه ی تمرکز طراحی و به ورودی شبکه ی پایه اضافه گردیده است. سپس مدل جدید شبکه ی عصبی یادگیری عمیقجهت مقایسه با روش های پیشین در حوزهی تشخیص عیوب قطعات فلزی با استفاده از مجموعه داده یمعیار از قطعات فلزی مورد ارزیابی قرار می گیرد. یکی از چالش های مطرح که در محیط های صنعتی،تغییرات نور و روشنایی در تصاویر ورودی جهت پردازش است، از آن جایی که عملکرد مدل پیشنهادیدر برابر تغییرات مورد توجه می باشد، به عنوان یک راه حل، داده های آموزش با اعمال تغییر در روشنایی وکنتراست تصویر، افزایش یافتند سپس مدل پیشنهادی با تصاویری که شرایط متفاوت از لحاظ نورپردازیبودند، تحت آموزش قرار گرفت. با توجه به نتایج کسب شده پیش بینی میگردد، همانطور که مدلپیشنهادی، بر روی مجموعه داده ی آزمون عملکرد قابل قبولی از خود نشان داد، در یک محیط صنعتی باتغییرات نور محیط نیز قابلیت اطمینان بالایی داشته باشد.

کلیدواژه ها:

بینایی ماشین ، پردازش تصویر صنعتی ، تشخیص عیوب ، شبکه های عصبی مصنوعی ، یادگیری عمیق