Введение 3
Постановка задачи 4
Обзор литературы 5
1. Обзор технологий и подходов в решении задачи 6
1.1. U-Net 6
1.2. SENet 7
1.3. PSPNet 8
1.4. Rectified Adam оптимизация 10
1.5. Коэффициент Жаккара 12
1.6. Псевдо-маркировка данных 12
2. Данные 13
3. Модель решения 18
4. Исследование 21
4.1. Подготовка данных и инструментария для исследования 21
4.2. Многоклассовая классификация 21
4.3. Многоклассовая сегментация 23
4.4. Бинарная сегментация 25
4.5. Результаты 28
Выводы 29
Заключение 30
Список литературы 31
Сталь является одним из важнейших строительных материалов современности. Стальные изделия устойчивы к естественному и искусственному износам, что поспособствовало популярности данного материала во всем мире. Компания Северсталь лидирует в сфере добычи и
производства стали и считает, что будущее металлургии требует развития в экономических, экологических и социальных аспектах отрасли,
а также серьезно относится к корпоративной ответственности. Недавно компания создала крупнейшее в стране хранилище промышленных
данных с петабайтами информации, которая ранее никак не изучалась.
В настоящее время Северсталь ищет возможности в области машинного
обучения для улучшения автоматизации, повышения эффективности и
поддержания высокого качества своей продукции.
Процесс производства листовой стали особенно деликатный. От нагрева и прокатки до сушки и резки - к моменту готовности листа стали
несколько машин соприкасаются с ним. Сегодня Северсталь использует изображения с высокочастотных камер для алгоритма обнаружения
дефектов.
Основной идей данной работы было создание алгоритма для автоматического анализа, локализации и классификации поверхностных дефектов на стальном листе.
Целью данной выпускной квалификационной работы являлись исследование задачи обнаружения дефектов на листах стали, а также
практическая реализация модели решения на языке Python с использованием фреймворков и библиотек глубокого обучения.
На первом этапе были формально определены задача и исходные
данные для дальнейшего исследования. Произведено подробное описание изображений, представленных в качестве обучающей и тестовой
выборок. Исследованы структура выборок, распределение изображений
по классам, отличия классов дефектов.
Представлено несколько моделей, которые были использованы для
решения данной задачи, описаны их недостатки и особенности применения, а также выбрана модель для практической реализации.
На следующем этапе была программно реализована модель и подробно описаны алгоритмы для каждой части полученного решения.
Заключительным этапом стали подведение итогов и оценка качества
предсказаний построенной модели.
В результате данной выпускной квалификационной работы изучены различные методы машинного обучения для анализа изображений,
области их применения и способы решения задач данными методами.
Подробно проанализирована и описана задача обнаружения дефектов
на листах стали от компании Северсталь. В практической части выпускной квалификационной работы предложено несколько подходов для решения поставленной задачи, реализовано несколько моделей на языке
Python.
