تحلیل و شناسایی ویژگی های کلیدی برای طبقه بندی عیوب سطحی صفحات فولادی با استفاده از مدل های یادگیری ماشین و روش متعادل سازی داده ها

در این پژوهش چالش های اصلی در تشخیص عیوب سطحی صفحات فولادی ازجمله نامتوازن بودن داده ها، هم پوشانی ویژگی ها و دشواری در شناسایی ویژگی های موثر مورد بررسی قرارگرفته است. هدف اصلی پژوهش، شناسایی موثرترین ویژگی ها در افزایش دقت مدل های طبقه بندی عیوب نظیر خراش، لکه و برجستگی است. برای این منظور سه مرحله تحلیل انجام شد: مرحله اول و دوم شامل اجرای الگوریتم های جنگل تصادفی و تقویت گرادیان حداکثری بر داده خام و مرحله سوم شامل اعمال همین الگوریتم ها بر داده های متوازن شده با روش SMOTE بود. نتایج نشان داد که استفاده از SMOTE دقت مدل تقویت گرادیان حداکثری را از ۱۸/۷۹٪ به ۷/۹۱٪ و دقت مدل جنگل تصادفی را از ۲۱/۸۰٪ به ۰/۹۱٪ افزایش داده است. نوآوری اصلی این پژوهش در ترکیب روش های یادگیری ماشین با متعادل سازی داده و تحلیل عددی اهمیت ویژگی هاست. همچنین ویژگی های مشترکی چون ویژگی های مرتبط با ابعاد هندسی، شاخص های مکانی و روشنایی به عنوان شاخص های پایدار معرفی شدند که می توانند مبنای طراحی سامانه های هوشمند کنترل کیفیت در صنعت فولاد باشند. تفاوت قابل توجه در فهرست ویژگی های مهم بین الگوریتم ها و شرایط داده نشان داد که انتخاب ویژگی در این مسئله امری ثابت نبوده و وابسته به روش یادگیری و نحوه آماده سازی داده ها است. این رویکرد، علاوه بر ارائه بینش علمی عمیق تر در حوزه شناسایی عیوب فولاد، می تواند به تصمیم گیری دقیق تر در انتخاب ویژگی های کلیدی در کاربردهای صنعتی مشابه کمک کند.

کلیدواژه ها:

شناسایی ویژگی های کلیدی ، متعادل سازی داده ها ، عیوب سطحی ، صنعت فولاد ، یادگیری ماشین