بهبود بخش بندی عیوب سطح فولاد با بهینه سازی ابرپارامترهای فیلتر گابور توسط الگوریتم ژنتیک و طبقه بندی جنگل تصادفی

کنترل کیفیت سطح محصولات و شناسایی به موقع عیوبی مانند ترک ها، حفره ها و ناخالصی ها در صنعت فولاد از اهمیت بالایی برخوردار است. این عیوب می توانند عملکرد مکانیکی، دوام و قابلیت اطمینان فولاد را کاهش دهند. در این پژوهش، رویکردی نوین برای بخش بندی و شناسایی هوشمند عیوب سطح فولاد با استفاده از الگوریتم ژنتیک و جنگل تصادفی ارائه شده است. ابتدا ویژگی های تصاویر با استفاده از فیلترهای گابور استخراج شده و سپس با الگوریتم جنگل تصادفی، پیکسل ها به گروه های دارای ویژگی های مشابه تقسیم می شوند. ابرپارامترهای فیلترهای گابور به عنوان ژن های کروموزوم در الگوریتم ژنتیک در نظر گرفته شده و با هدف بهینه سازی عملکرد بخش بندی تنظیم می شوند. تابع برازندگی مبتنی بر F۱-score دقت طبقه بندی را ارزیابی می کند. نتایج نشان می دهد که بهینه سازی ابرپارامترهای فیلترهای گابور توسط الگوریتم ژنتیک، دقت و کارایی بخش بندی عیوب سطح فولاد را افزایش داده است. روش پیشنهادی به F۱-score برابر ۹۸۰۷/۰ و دقت ۹۸۱۰/۰ دست یافته و نسبت به روش های مرجع بهبود عملکرد نشان می دهد. این یافته ها نشان می دهد که روش پیشنهادی می تواند به عنوان یک ابزار برای نظارت خودکار بر کیفیت در خطوط تولید فولاد عمل کند.

کلیدواژه ها:

بخش بندی سطح فولاد ، شناسایی عیوب فولاد ، الگوریتم ژنتیک ، جنگل تصادفی