Автоматизований контроль металопрокату з використанням глибоких нейронних мереж (комплексна тема)

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.