تشخیص عیوب و دسته بندی سطوح فولادی با استفاده از روش های یادگیری عمیق برمبنای مجموعه داده severstal

نوار فولادی یک ماده مهم برای تولید صنعتی است و به‌طور گسترده در ساخت ماشین‌آلات، صنایع مختلف، هوافضا و سایر زمینه‌ها استفاده می‌شود. کیفیت سطح تاثیر مهمی بر زیبایی، عملکرد و دوام محصول دارد. بااین‌حال، به دلیل شرایط ضعیف تولید واقعی و پیچیدگی جریان فرآیند، نوارهای فولادی به عوامل بسیاری مانند تجهیزات نورد، فناوری پردازش، مواد اولیه و محیط خارجی در طول فرآیند تولید حساس هستند و درنتیجه انواع مختلف عیب روی سطح تشکیل می‌شوند. تشخیص عیوب به‌صورت دستی ناکارآمد و مستعد خطای انسانی است و هزینه‌های زیادی دارد برای کمک به کارآمدتر کردن تولید فولاد و برای بهبود خودکارسازی، افزایش کارایی و حفظ کیفیت بالا در تولید فولاد، استفاده از الگوریتم عمیق و هوش مصنوعی مدرن و پیاده‌سازی سیستم‌های هوشمند برای کمک به تشخیص عیوب فولاد بسیار موثر است. در این پژوهش، از جدیدترین الگوریتم‌های یادگیری ماشین تقسیم‌بندی معنایی قابل‌استفاده به‌صورت عملی در صنعت با استفاده از شبکه‌های عصبی با معماری رمزگذار-رمزگشا مبتنی بر unet و شبکه هرمی ویژگی (fpn) و efficientnet استفاده‌شده است تا به‌خوبی بتوان عیب‌های سیستم را به‌صورت هوشمند تقسیم‌بندی و دسته‌بندی کرد. برای آموزش شبکه نیاز به مجموعه داده آموزش هست که در این پژوهش از مجموعه داده severstal استفاده‌شده که در آن تصاویر در مقیاس خاکستری در 4 کلاس همراه با برچسب، با انواع مختلف نقص جمع‌آوری‌شده است و توسط شبکه‌های در نظر گرفته‌شده آموزش داده‌شده‌است و توسط معیارهای dice و iou تقسیم‌بندی مقایسه شده است و نهایتا شبکه fpn-efficientnet عملکرد بهتری را برروی داده‌های آزمون برای معیار dice با مقدار 0.7694 بدست آورده است .