Определение дефектов на стальных листах с использованием сверточных нейронных сетей

Main Article Content

Аннотация

Сталь в наши дни является одним из важнейших производственных материалов, который используется повсеместно, от медицины до промышленных отраслей. Своевременное обнаружение и распознавание дефектов на стальных листах после проката – одна из ключевых проблем этого производства с учетом его сложности и необходимости затрат большого количества времени на проведение вручную проверок каждого листа и каждой заготовки. Одними из целей настоящей работы были автоматизация и упрощение данного процесса. Для решения соответствующих задач была использована, в первую очередь, модель сверточной нейронной сети под названием UNet, которая уже зарекомендовала себя как отличный инструмент решения таких задач — при высокой результативности она требует меньшего количества учебных данных. В основе этой модели лежат последовательная, производимая в несколько шагов свертка изображения до приемлемого размера (иными словами, сжатие или кодирование), а затем развертка, восстановление изображения к исходному размеру и соотношению сторон, после чего на выходе будет получена маска изображения с классами элементов, которые необходимо было найти. В дополнение к этой нейронной сети в качестве кодирующего (сворачивающего) слоя была использована другая модель — ResNet34, предварительно обученная на датасете (наборе данных) ImageNet1000. В этой модели также был модифицирован выходной слой — вместо 34 слоев с классами на выходе возвращалось лишь 4, что сократило время обработки и позволило использовать наиболее удачные определения в результатах. Используя данный подход и проведя все необходимые проверки, при подведении итогов, мы получили результат в 94,8% точности определения дефектов на стальных листах.

Article Details

Как цитировать
Гаскаров, Р. Д. ., Бирюков, А. М. ., Никонов, . А. Ф., Агниашвили, Д. В. ., & Хайрисламов , Д. А. . (2020). Определение дефектов на стальных листах с использованием сверточных нейронных сетей. Электронные библиотеки, 23(6), 1155-1171. https://doi.org/10.26907/1562-5419-2020-23-6-1155-1171

Библиографические ссылки

1. Stavropoulos P. et al. Monitoring and control of manufacturing processes: A review // Procedia CIRP. 2013. V. 8. P. 421–425.
2. Chao W. and al. Research on Classification of Surface Defects of Hot-rolled Steel Strip Based on Deep Learning // DEStech Transactions on Computer Science and Engineering. 2019. 2nd International Conference on Informatics, Control and Auto-mation (ICA 2019). 2019. P. 362–366.
3. Li J. and al. Real-time detection of steel strip surface defects based on im-proved yolo detection network // IFAC-PapersOnLine. 2018. V. 51, No. 21. P. 76–81.
4. Zhang Z., Zhang S., Li Q. Online Surface Defects Detection System for Cold-rolled Steel Strip // Recent Patents on Engineering. 2017. V. 11, No. 1. P. 62–67.
5. He K. and al. Mask r-cnn // Proceedings of the IEEE international conference on computer vision, 2017. P. 2961–2969.
6. Ren S. and al. Faster r-cnn: Towards real-time object detection with region proposal networks // Advances in Neural Information Processing Systems, 2015. P. 91–99.
7. Shang W. and al. Understanding and improving convolutional neural net-works via concatenated rectified linear units // International Conference on Machine Learning, 2016. P. 2217–2225.
8. Ferguson M.K. and al. Detection and segmentation of manufacturing defects with convolutional neural networks and transfer learning // Smart and Sustainable Manufacturing Systems. 2018. V. 2. arXiv:1808.02518 [cs.CV]
9. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for bio-medical image segmentation // International Conference on Medical Image Compu-ting and Computer-Assisted Intervention. Springer, Cham, 2015. P. 234–241.
10. Wu Z., Shen C., Van Den Hengel A. Wider or deeper: Revisiting the resnet model for visual recognition // Pattern Recognition. 2019. V. 90. P. 119–133.
11. He K. and al. Deep residual learning for image recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. P. 770–778.
12. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for bio-medical image segmentation // International Conference on Medical Image Compu-ting and Computer-Assisted Intervention. Springer, Cham, 2015. P. 234–241.
13. Salehi S.S.M., Erdogmus D., Gholipour A. Tversky loss function for image segmentation using 3D fully convolutional deep networks // International Workshop on Machine Learning in Medical Imaging. Springer, Cham, 2017. P. 379–387.
14. Milletari F., Navab N., Ahmadi S.A. V-net: Fully convolutional neural net-works for volumetric medical image segmentation // 2016 Fourth International Con-ference on 3D Vision (3DV). IEEE, 2016. P. 565–571.
15. Wang P., Chung A.C.S. Focal dice loss and image dilation for brain tumor segmentation // Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. Springer, Cham, 2018. P. 119–127.
16. Sudre C.H. and al. Generalised dice overlap as a deep learning loss function for highly unbalanced segmentations // Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. Springer, Cham, 2017. P. 240–248.
17. Sitdikov V.D. and al. Application of X-ray Technique to Study the Structure of Ultrafine-Grained Ferritic/Martensitic Steel // J. of Materials Engineering and Per-formance. 2019. V. 28, No. 11. P. 7109–7118.


Наиболее читаемые статьи этого автора (авторов)