Використання нейромережевих технологій для вирішення задачі класифікації дефектів металопрокату
Date
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
UKR: Основною метою роботи є створення програмної системи, що виконує класифікацію дефектів поверхні металопрокату з високою точністю (понад 90%) та високою швидкістю (не більше 1 секунди на 1 зображення) за рахунок використання штучних нейронних мереж. Для досягнення мети необхідно виконати такі завдання: 1) виконати дослідження предметної галузі, визначити можливість використання нейронних мереж для вирішення задачі класифікації дефектів металопрокату; 2) побудувати модель нейронної мережі, придатну на вирішення завдання класифікації видимих дефектів металопрокату; 3) виконати генерацію навчальної, тестової та валідаційної вибірок на основі бази даних дефектів поверхні гарячого металопрокату, наданої Північно-східним університетом (NEU); зробити аугментацію згенерованих вибірок; 4) спроектувати та реалізувати систему класифікації дефектів; 5) провести тестування та обчислювальні експерименти. В результаті роботи було розроблено програмну систему для класифікації дефектів металопрокату на базі нейромережевих технологій, яка здатна менш ніж за 1с часу виконувати класифікацію дефекту на зображенні з точністю не менше 90%.
ENG: The main goal of the work is to create a software system that performs the classification of rolled metal surface defects with high accuracy (over 90%) and high speed (no more than 1 second per 1 image) through the use of artificial neural networks. To achieve the goal, it is necessary to perform the following tasks: 1) perform a study of the subject industry, determine the possibility of using neural networks to solve the problem of classifying rolled metal defects; 2) build a neural network model suitable for solving the problem of classifying visible defects in rolled metal products; 3) generate training, test and validation samples based on the database of hot rolled metal surface defects provided by Northeastern University (NEU); perform augmentation of the generated samples; 4) design and implement a defect classification system; 5) conduct testing and computational experiments. As a result of the work, a software system was developed for the classification of rolled metal defects based on neural network technologies, which is capable of classifying a defect in an image with an accuracy of at least 90% in less than 1 s of time.