1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 151 — Автоматизація та компʼютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка (бакалаври)
Please use this identifier to cite or link to this item: http://elartu.tntu.edu.ua/handle/lib/46356
Title: Автоматизований контроль металопрокату з використанням глибоких нейронних мереж (комплексна тема)
Other Titles: Automated control of rolled metal using deep neural networks (complex topic).
Authors: Андрушків, Віктор Володимирович
Футрик, Василь Михайлович
Andrushkiv, Viktor
Futryk, Vasyl
Affiliation: Тернопільський національний технічний університет імені Івана Пулюя
Факультет прикладних інформаційних технологій та електроінженерії (ФПТ)
Кафедра автоматизації технологічних процесів і виробництв
Bibliographic description (Ukraine): Андрушків В.В., Футрик В.М., Автоматизований контроль металопрокату з використанням глибоких нейронних мереж (комплексна тема). : кваліфікаційна робота бакалавра за спеціальністю «151 — автоматизація та комп’ютерно-інтегровані технології» / В.В. Андрушків, В.М. Футрик– Тернопіль : ТНТУ, 2024. — 77 с.
Bibliographic description (International): Andrushkiv V.V., Futryk V.M., Automated control of metal rolling using deep neural networks (complex topic). : bachelor's qualification work in the specialty "151 — automation and computer-integrated technologies" / V.V. Andrushkiv, V.M. Futryk– Ternopil: TNTU, 2024. — 77 p.
Issue Date: 25-Jun-2024
Submitted date: 20-Jun-2024
Date of entry: 26-Sep-2024
Publisher: Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії, Кафедра автоматизації технологічних процесів і виробництв
Country (code): UA
Place of the edition/event: Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії, Кафедра автоматизації технологічних процесів і виробництв.
Institution defense: ЕК №23, 2024 р.
Supervisor: Коноваленко, Ігор Володимирович
Konovalenko, Ihor
Committee members: Станько, Андрій Андрійович
Stanko, Andrii
UDC: 621.865
Keywords: автоматизація
нейронна мережа
дефект
аналіз дефектності
сегментація
automation
neural network
defect
defect analysis
segmentation
Page range: 1-84
End page: 84
Abstract: Для вирішення проблеми виявлення поверхневих дефектів при інспекції дефектів металопрокату використано методи глибокого навчання. Кваліфікаційні робота підкреслює важливі переваги візуальних методів навчання та свідчить про відсутність потреби у дуже детальних анотаціях. Запропонований метод технічного діагностування метод було оцінено на кількох промислових наборах даних промислових дефектів. Обговорено труднощі виявлення поверхневих дефектів металопрокату та описано типи поверхневих дефектів. Подано систематизовану класифікацію алгоритмів виявлення дефектів поверхні металопрокату та стислий опис характеристик металургійного обладнання. Запропонований метод є перспективним для розвитку методів оптико-цифрового діагностування зберігаючи точність і стабільність результатів. Подальші дослідження будуть зосереджені на алгоритмах що розвиваються у двох напрямках: зміна складності алгоритму та підвищення ефективності виявлення помилок.
The goal of the work is the development and testing of an automated method of detecting surface defects in the industrial quality control of rolled metal. Deep learning methods were used to solve the problem of detecting surface defects during the inspection of rolled metal defects. The qualifying work emphasizes the important advantages of visual learning methods and demonstrates the absence of a need for very detailed annotations. The proposed technical diagnosis method was evaluated on several industrial datasets of industrial defects. The difficulties of detecting surface defects of rolled metal are discussed and the types of surface defects are described. A systematized classification of algorithms for detecting defects on the surface of rolled metal and a brief description of the characteristics of metallurgical equipment are provided. The proposed method is promising for the development of optical-digital diagnostic methods while maintaining the accuracy and stability of the results. Further research will focus on algorithms developing in two directions: changing the complexity of the algorithm and increasing the efficiency of error detection.
Description: Робота виконана на кафедрі автоматизації технологічних процесів і виробництв факультету прикладних інформаційних технологій та електроінженерії Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України. Захист відбудеться «25» червня 2024 р. о 9.00 год. на засіданні екзаменаційної комісії №23 у Тернопільському національному технічному університеті імені Івана Пулюя.
Content: Вступ 11 1. Аналітична частина 1.1. Cегментація з допомогою нейронних мереж 12 1.2. Нейронні мережі для розпізнавання дефектів 18 1.3. Показники оцінки моделі 20 2. Проектна частина 2.1. Неруйнівний кнтроль в металургії 22 2.2. Сегментація дефектів металопрокату 31 2.3. Вплив освітленості на сегментацію дефектів 43 3. Спеціальна чacтинa 50 4. Безпека життєдіяльності, основи охорони праці 4.1. Особливості охорони праці під час роботи з обчислювальною 65 4.2. Санітарно-гігієнічні вимоги у лабораторному приміщенні 69 Висновки 73 Перелік посилань 75
URI: http://elartu.tntu.edu.ua/handle/lib/46356
Copyright owner: © Андрушків В.В., Футрик В.М., 2024
References (Ukraine): 51. Ониськів П. А. Аналіз методів сегментації зображень / П. А. Ониськів, Я. В. Литвиненко // Матеріали IV Міжнародної науково-технічної конференції „Теоретичні та прикладні аспекти радіотехніки, приладобудування і компʼютерних технологій“ присвячена 80-ти річчю з дня народження професора Я.І. Проця, 20-21 червня 2019 року. - Тернопіль: ФОП Паляниця В. А., 2019. - С. 48-49.
52. Автоматизація виробничих процесів : навч. посіб. / Проць Я. І., Савків В. Б., Шкодзінський О. К., Ляшук О. Л. Тернопіль : ТНТУ ім. І.Пулюя, 2011. 344с.
53. Безпека в надзвичайних ситуаціях. Методичний посібник для здобувачів освітнього ступеня «магістр» всіх спеціальностей денної та заочної (дистанційної) форм навчання / укл.: Стручок В. С. Тернопіль: ФОП Паляниця В. А., 2022. 156 с.
54. Лабораторний практикум з проектування та моделювання роботи електропневматичних схем у середовищі програмного пакету «FluidSIM Pneumatics» з курсу «Технічні засоби автоматизації» / укл. : О.К. Шкодзінський. - Тернопіль : ТНТУ імені Івана Пулюя, 2020. - 32 с.https://elartu.tntu.edu.ua/handle/lib/31418
56. Микитишин А. Г., Митник М. М., Стухляк П. Д. Телекомунікаційні системи та мережі. Тернопіль: Тернопільський національний технічний університет імені Івана Пулюя, 2017. 384 с.
57. Микитишин А. Г., Митник М. М., Стухляк П. Д., Пасічник В. В. Комп’ютерні мережі. Книга 1 [навчальний посібник]. Львів : «Магнолія 2006», 2013. 256 с.
58. Микитишин А. Г., Митник М. М., Стухляк П. Д., Пасічник В. В. Комп’ютерні мережі. Книга 2. [навчальний посібник]. Львів : "Магнолія 2006", 2014. 312 с.
59. Паламар М. І., Стрембіцький М. О., Паламар А. М. Проектування комп’ютеризованих вимірювальних систем і комплексів : навч. посіб. Тернопіль : ТНТУ, 2019. 150 с.
60. Пилипець М. І. Правила заповнення основних форм технологічних документів : навч.-метод. посіб. / Уклад. Пилипець М. І., Ткаченко І. Г., Левкович М. Г., Васильків В. В., Радик Д. Л. Тернопіль : ТДТУ, 2009. 108 с. https://elartu.tntu.edu.ua/handle/lib/42995.
61. Платформа .NET та мова програмування C# 8.0: навчальний посібник / Коноваленко І.В., Марущак П.О. – Тернопіль: ФОП Паляниця В. А., 2020 – 320 с.
62. Проектування мікропроцесорних систем керування: навчальний посібник/ І.Р. Козбур, П.О. Марущак, В.Р. Медвідь, В.Б. Савків, В.П. Пісьціо.–Тернопіль: Вид-во ТНТУ імені Івана Пулюя, 2022.–324с.
63. Савків В.Б., Капаціла Ю.Б., Михайлишин Р.І. Методичні вказівки до виконання кваліфікаційної роботи бакалавра спеціальності 151 «Автоматизація та комп’ютерно-інтегровані технології». Тернопіль.: Видавництво ТНТУ. 2021. 50 с. https://elartu.tntu.edu.ua/handle/lib/35172
References (International): 1. El-Agamy, M.; Awad, M.A.; Sonbol, H.A. Automated inspection of surface defects using machine vision. In Proceedings of the 17th International AMME Conference, Cairo, Egypt, 19–21 Apri 2016; Volume 19, p. 21.
2. Andreopoulos, A.; Tsotsos, J.K. 50 years of object recognition: Directions forward. Comput. Vis. Image Underst. 2013, 117, 827–891.
3. Duan, X.; Duan, F.; Han, F. Study on surface defect vision detection system for steel plate based on virtual instrument technology. In Proceedings of the 2011 International Conference on Control, Automation and Systems Engineering (CASE), Singapore, 30–31 July 2011; IEEE: Piscataway, NJ, USA, 2011; pp. 1–4.
4. Xu, K.; Liu, S.; Ai, Y. Application of Shearlet transform to classification of surface defects for metals. Image Vis. Comput. 2015, 35, 23–30.
5. He, Y.; Song, K.; Meng, Q.; Yan, Y. An end-to-end steel surface defect detection approach via fusing multiple hierarchical features. IEEE Trans. Instrum. Meas. 2019, 69, 1493–1504. [CrossRef]
6. Yun, J.P.; Lee, S.J.; Koo, G.; Shin, C.; Park, C. Automatic defect inspection system for steel products with exhaustive dynamic encoding algorithm for searches. Opt. Eng. 2019, 58, 023107.
7. Wang, H.; Zhang, J.; Tian, Y.; Chen, H.; Sun, H.; Liu, K. A simple guidance template-based defect detection method for strip steel surfaces. IEEE Trans. Ind. Inform. 2018, 15, 2798–2809. [CrossRef]
8. Chigateri, K.B.; Hebbale, A.M. A steel surface defect detection model using machine learning. In Materials Today: Proceedings; Elsevier: Amsterdam, The Netherlands, 2023.
9. Nath, V.; Chattopadhyay, C.; Desai, K.A. NSLNet: An improved deep learning model for steel surface defect classification utilizing small training datasets. Manuf. Lett. 2023, 35, 39–42. [CrossRef]
10. Luo, Q.; Fang, X.; Liu, L.; Yang, C.; Sun, Y. Automated visual defect detection for flat steel surface: A survey. IEEE Trans. Instrum. Meas. 2020, 69, 626–644. [CrossRef]
11. Luo, Q.; Fang, X.; Su, J.; Zhou, J.; Zhou, B.; Yang, C.; Liu, L.; Gui, W.; Tian, L. Automated visual defect classification for flat steel surface: A survey. IEEE Trans. Instrum. Meas. 2020, 69, 9329–9349. [CrossRef]
12. Czimmermann, T.; Ciuti, G.; Milazzo, M.; Chiurazzi, M.; Roccella, S.; Oddo, C.M.; Dario, P. Visual-based defect detection and classification approaches for industrial applications—A survey. Sensors 2020, 20, 1459. [CrossRef]
13. Jin, Q.; Chen, L. A survey of surface defect detection of industrial products based on a small number of labeled data. arXiv 2022, arXiv:2203.05733.
14. Mordia, R.; Verma, A.K. Visual techniques for defects detection in steel products: A comparative study. Eng. Fail. Anal. 2022, 134, 106047. [CrossRef]
15. Usamentiaga Fernández, R.; González Lema, D.; Díaz Pedrayes, Ó.; García Martínez, D.F. Automated surface defect detection in metals: A comparative review of object detection and semantic segmentation using deep learning. In Proceedings of the Conference Record-Ias Annual Meeting, Vancouver, BC, Canada, 10–14 October 2021; IEEE Industry Applications Society: Piscataway, NJ, USA, 2021.
16. Zheng, X.; Zheng, S.; Kong, Y.; Chen, J. Recent advances in surface defect inspection of industrial products using deep learning techniques. Int. J. Adv. Manuf. Technol. 2021, 113, 35–58. [CrossRef]
17. Neogi, N.; Mohanta, D.K.; Dutta, P.K. Review of vision-based steel surface inspection systems. EURASIP J. Image Video Process. 2018, 2014, 50. [CrossRef]
18. Song, K.; Yan, Y. A noise robust method based on completed local binary patterns for hot-rolled steel strip surface defects. Appl. Surf. Sci. 2013, 285, 858–864. [CrossRef]
19. Guha, P. Automated Visual Inspection of Steel Surface, Texture Segmentation and Development of a Perceptual Similarity Measure. Master’s Thesis, Department of Mechanical Engineering, Indian Institute of Technology, Kanpur, India, 2001.
20. Ibrahim, A.A.M.; Tapamo, J.R. Steel Surface Defect Detection and Classification Using Bag of Visual Words with BRISK. In Proceedings of the Congress on Smart Computing Technologies; Springer: Singapore, 2022; pp. 235–246.
21. Field, Z.; Miles, J.; Field, A.X. Discovering Statistics Using R; Sage Publications Ltd.: New York, NY, USA, 2006; 992p.
22. Jiang, Y.; Lin, J.; Cukic, B.; Menzies, T. Variance analysis in software fault prediction models. In Proceedings of the 2009 20th International Symposium on Software Reliability Engineering, Karnataka, India, 16–19 November 2009; IEEE: Piscataway, NJ, USA, 2009; pp. 99–108.
23. Wang, H.; Khoshgoftaar, T.M.; Van Hulse, J.; Gao, K. Metric selection for software defect prediction. Int. J. Softw. Eng. Knowl. Eng. 2011, 21, 237–257. [CrossRef]
24. Zhu, D.; Pan, R.; Gao, W.; Zhang, J. Yarn-dyed fabric defect detection based on autocorrelation function and GLCM. Autex Res. J., 2015, 15, 226-232.
25. Djukic, D.; Spuzic, S. Statistical discriminator of surface defects on hot rolled steel. In Proceedings of the Image and Vision Computing New Zealand 2007(IVCNZ2007), Hamilton, New Zealand, 5–7 December 2007; pp. 158-163.
26. Guo, Y.J.; Sun, Z.J.; Sun, H.X.; Song, X.L. Texture feature extraction of steel strip surface defect based on gray level co-occurrence matrix. In Proceedings of the 2015 International Conference on Machine Learning and Cybernetics (ICMLC), Guangzhou, China, 12-15 July 2015; IEEE: Piscataway, NJ, USA, 2015; Volume 1, pp. 217–221.
27. Zaghdoudi, R.; Seridi, H.; Boudiaf, A. Detection and classification of steel defects using machine vision and SVM classifier. In Proceedings of the 2nd International Conference on Automatic Control, Telecommunication and Signals (ICATS’17), Abdelkrim, Gadda, 7-9 May 2017.
28. Abukhait, J. An automated surface defect inspection system using local binary patterns and co-occurrence matrix textures based on svm classifier. Jordan J. Electr. Eng. 2018, 4, 100–113.
29. Wang, J.; Li, Q.; Gan, J.; Yu, H.; Yang, X. Surface defect detection via entity sparsity pursuit with intrinsic priors. IEEE Trans. Ind. Inform. 2019, 16, 141–150. [CrossRef]
30. Luo, Q.; Sun, Y.; Li, P.; Simpson, O.; Tian, L.; He, Y. Generalized completed local binary patterns for time-efficient steel surface defect classification. IEEE Trans. Instrum. Meas. 2018, 68, 667-679.
31. Luo, Q.; Fang, X.; Sun, Y.; Liu, L.; Ai, J.; Yang, C.; Simpson, O. Surface defect classification for hot-rolled steel strips by selectively dominant local binary patterns. IEEE Access 2019, 7, 23488-23949.
32. Gyimah, N.K.; Girma, A.; Mahmoud, M.N.; Nateghi, S.; Homaifar, A.; Opoku, D. A Robust Completed Local Binary Pattern (RCLBP) for Surface Defect Detection. In Proceedings of the 2021 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Melbourne, Australia 17–20 October 2021; IEEE: Piscataway, NJ, USA, 2021; pp. 1927-1934.
33. Yazdchi, M.; Yazdi, M.; Mahyari, A.G. March. Steel surface defect detection using texture segmentation based on multifractal dimension. In Proceedings of the 2009 International Conference on Digital Image Processing, Cairo, Egypt, 7–10 November 2009; IEEE: Piscataway, NJ, USA, 2009; pp. 346-350.
34. Wen, W.; Xia, A. Verifying edges for visual inspection purposes. Pattern Recognit. Lett. 1999, 20, 315-328.
35. Kholief, E.A.; Darwish, S.H.; Fors, M.N. Detection of steel surface defect based on machine learning using deep auto-encoder network. In Proceedings of the International Conference on Industrial Engineering and Operations Management Rabat, Morocco, 11–13 April 2017; pp. 218–229.
36. Thai, B.; Healey, G. Modeling and classifying symmetries using a multiscale opponent color representation. IEEE Trans. Pattern Anal. Mach. Intell. 1998, 20, 1224-1235.
37. Pietikäinen, M.; Mäenpää, T.; Viertola, J. Color texture classification with color histograms and local binary patterns. In Proceedings of the Workshop on Texture Analysis in Machine Vision; Citeseer: New York, NY, USA; Vol. 1, pp. 109-112.
38. Ng, H.F. Automatic thresholding for defect detection. Pattern Recognit. Lett. 2006, 27, 1644-1649.
39. Haralick, R.M. Statistical and structural approaches to texture. Proc. IEEE 1979, 67, 786–804.
40. Wu, G.; Kwak, H.; Jang, S.; Xu, K.; Xu, J. Design of online surface inspection system of hot rolled strips. In Proceedings of the 2008 IEEE International Conference on Automation and Logistics, Chindao, China, 1-3 September 2008; IEEE: Piscataway, NJ, USA, 2008, pp. 2291-2295.
41. Ozseven, T.; Özseven, T. Surface defect detection and quantification with image processing methods. In Theoretical Investigations and Applied Studies in Engineering; Ekin Publishing House: Ankara, Turkey, 2019, pp. 63-98.
42. Ojala, T.; Pietikäinen, M.; Harwood, D. A comparative study of texture measures with classification based on featured distributions. Pattern Recognit. 1996, 29, 51-59.
43. Ojala, T.; Pietikainen, M.; Maenpaa, T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans. Pattern Anal. Mach. Intell. 2002, 24, 971-987.
44. Chu, M.; Gong, R. Invariant feature extraction method based on smoothed local binary pattern for strip steel surface defect. ISIJ Int. 2015, 55, 1956-1962.
45. Aghdam, S.R.; Amid, E.; Imani, M.F. A fast method of steel surface defect detection using decision trees applied to LBP based features. In Proceedings of the 2012 7th IEEE Conference on Industrial Electronics and Applications (ICIEA), Singapore, 18–20, July 2012; IEEE: Piscataway, NJ, USA, 2012; pp. 1447-1452.
46. Chu, M.; Gong, R.; Gao, S.; Zhao, J. Steel surface defects recognition based on multi-type statistical features and enhanced twin support vector machine. Chemom. Intell. Lab. Syst. 2017, 171, 140-150.
47. Makaremi, M.; Razmjooy, N.; Ramezani, M. A new method for detecting texture defects based on modified local binary pattern. Signal Image Video Process. 2018, 12, 1395-1401.
48. Tajeripour, F.; Kabir, E.; Sheikhi, A. Fabric defect detection using modified local binary patterns. EURASIP J. Adv. Signal Process. 2007, 2008, 783898.
49. Mandelbrot, B.B. The Fractal Geometry of Nature; WH Freeman: New York, NY, USA, 1982; Volume 1.
50. Umbaugh, S.E. Digital Image Processing and Analysis: Human and Computer Vision Applications with CVIPtools; CRC Press: Boca Raton, FL, USA, 2010.
Content type: Bachelor Thesis
Appears in Collections:151 — Автоматизація та компʼютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка (бакалаври)

Files in This Item:
File Description SizeFormat 
Аndrushkiv_V Futryk_Vasyl KA-41.pdfКваліфікаційна робота бакалавра3,2 MBAdobe PDFView/Open
Show full item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

Admin Tools