تشخیص عیوب سطوح فولادی مجموعه داده neu با استفاده از روش های یادگیری عمیق

ورق‌های فولادی مواد ضروری برای صنایع می‌باشند و کاربردهای زیادی در صنایع دارند. به دلیل مشکلات مواد اولیه و فنّاوری، انواع مختلفی از عیوب ورق‌های فولادی همانند ترک‌ها، خراش‌ها، پیچ شدن لبه‌ها، حفره‌ها، ساییدگی‌ها و سایر عیوب در فرآیند تولید روی سطح تولید می‌شود که تاثیر زیادی بر مقاومت در برابر خوردگی و استحکام ورق فولادی دارند و نیز بر مزایای اقتصادی کارخانه تاثیر می‌گذارند و همچنین باعث کاهش کیفیت ورق‌های فولادی خواهند شد. 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 هرمی ویژگی fpn، efficientnet و resnet استفاده‌شده است تا به‌خوبی بتوان عیب‌های سیستم را به‌صورت هوشمند تقسیم‌بندی و دسته‌بندی کرد. برای آموزش شبکه نیاز به مجموعه داده آموزش هست که که در این پژوهش از مجموعه داده neu-det استفاده‌شده که در آن شش نوع نقص سطح معمولی نوار فولادی نورد گرم جمع‌آوری‌شده است و توسط شبکه‌های در نظر گرفته‌شده آموزش داده‌شده‌است و توسط معیارهای dice و iou تقسیم‌بندی مقایسه شده است و نهایتا شبکه fpn-resnet عملکر بهتری را برروی داده‌های آزمون برای معیار dice با مقدار 0.7949 بدست آورده است .