بهینه سازی فرآیند شناسایی نقص های سطحی فلزات با استفاده از شبکه های عصبی ژرف

صنایع فلزی نقش مهمی در صنعتی دارند و کیفیت نهایی محصولات فلزی از اهمیت بالایی برخوردار است. این پژوهش یک چارچوب مبتنی بر یادگیری عمیق را برای شناسایی خودکار نقص های سطحی فلزات با استفاده از شبکه های عصبی پیچشی ارائه می دهد. هدف، بهینه سازی فرآیند بازرسی بصری، کاهش خطای انسانی و افزایش دقت تشخیص با بهره گیری از دو معماری شبکه عصبی ZFNet و ۱۶VGG است. این مدل ها بر اساس معیارهای دقت، بازخوانی و میانگین هماهنگ دقت و بازخوانی ارزیابی شدند. نتایج نشان داد که ZFNet در دسته بندی اولیه عملکرد ضعیفی داشت، اما پس از اعمال تکنیک های افزایش داده، دقت آن بهبود یافت. در مقابل، ۱۶VGG با وزن های پیش آموزش یافته، دقت بالاتری ارائه کرد اما سرعت پردازش آن کمتر بود. اما با توجه به نویزهای محیطی و محدودیت های سخت افزاری در محیط صنعتی، استفاده از مدل های پیچیده تر می تواند منجر به افزایش حساسیت به نویز شود. بنابراین، این پژوهش مقایسه ای بین یک شبکه پیچشی مینیمال و یک شبکه پیچیده تر انجام داد تا مشخص شود آیا می توان با یک مدل سبک تر، دقت مناسب و سرعت پردازش بالا را حفظ کرد. نتایج نشان داد که VGG۱۶ از نظر دقت برتری دارد، اما ZFNet به دلیل ساختار سبک تر و پردازش سریع تر، برای کاربردهای بلادرنگ مناسب تر است. در نهایت، انتخاب مدل مناسب برای کنترل کیفیت بصری در صنعت به تعادل میان دقت، سرعت پردازش و محدودیت های سخت افزاری بستگی دارد.

کلیدواژه ها:

شبکه عصبی ، شناسایی خوردگی ، پردازش تصویر ، ZFNet ، VGG۱۶