بررسی و استفاده از یک مدل شبکه عصبی عمیق برای تشخیص عیوب سطحی شمش فولادی در یک کیس دنیای واقعی در راستای بنچ مارکینگ برای شرکت فولاد سیرجان ایرانیان

تشخیص عیوب در فولاد نقش حیاتی در تضمین کیفیت محصول و بالطبع افزایش بهره وری و سود شرکت دارد. هدف اصلی این پروژه بررسی و استفاده از یک شبکه یادگیری عمیق برای شناسایی و طبقه‌بندی دقیق عیوب سطحی شمش در محصولات فولادی در راستای بنچ مارکینگ متود برای شرکت فولاد سیرجان ایرانیان است. با اتوماسیون فرآیند تشخیص، قصد داریم کارآیی را افزایش داده، خطای انسانی را کاهش داده و کنترل کیفیت کلی در عملیات تولید فولاد را بهبود بخشیم. روش شناسی با استفاده از مراحل زیر انجام شده است :جمع‌آوری داده: جمع‌آوری مجموعه‌ای جامع از تصاویر فولادی که شامل انواع مختلف عیوب نظیر ناهنجاری‌های سطحی، شکستگی، خط و خش و نقص‌های دیگر است. این مجموعه داده که مربوط به شرکت فولادی severstal است،بعنوان پایه برای آموزش و ارزیابی مدل‌های یادگیری ماشینی استفاده خواهد شد.پیش‌پردازش: انجام مراحل پیش‌پردازش لازم بر روی داده‌های جمع‌آوری شده، از جمله تغییر اندازه تصاویر، نرمال‌سازی و خاکستری سازی،برای بهبود توانایی مدل در تشخیص عیوب و همچنین کاهش حجم محاسبات صورت گرفته است.طراحی مدل: برای طراحی مدل از مقایسه سه مدل شبکه عصبی عمیق پیش آموزش داده شده efficientnetb4، resnet50 و densenet121 استفاده کرده که پس از بدست آوردن دقت و loss سه مدل و مقایسه این پارامترها باهم،مدل resnet50 نسبت به دو مدل دیگر برتری داشت .پیش بینی: بررسی عملکرد مدل روی داده های تست انتخاب شده،درراستای استفاده این مدل برای محیط تولید. پس از ارزیابی مدل،دقت مدل به عدد 90 درصد و مقدار loss مدل به عدد 0.48 رسید که نشان دهنده عملکرد مطلوبی می باشد.