Разработка программной системы для классификации дефектов металлического листа с покрытием с использованием нейросетевых технологий

ВВЕДЕНИЕ 5
1. СОВРЕМЕННЫЕ СПОСОБЫ КЛАССИФИКАЦИИ ДЕФЕКТОВ 8
1.1. Модель SVM 9
1.2. Модель HCGA 10
1.3. Модель MPCNN 12
1.4. Модель iYOLOn 15
1.5. Результаты исследования предметной области 18
2. ПРОЕКТИРОВАНИЕ 20
2.1. Требования к системе 20
2.2. Варианты использования 21
2.3. Архитектура классов 23
2.4. Программный интерфейс (API) 26
2.5. Графический интерфейс 28
2.6. Подбор базовых архитектур искусственных нейронных сетей 30
3. РЕАЛИЗАЦИЯ 36
3.1. Используемые технологии 36
3.2. Генерация исходных данных 36
3.3. Построение модели искусственной нейронной сети 40
3.4. Интерфейсы взаимодействия с системой 45
4. ТЕСТИРОВАНИЕ 47
4.1. Тестирование программной части 47
4.2. Тестирование web-интерфейса 49
4.3. Тестирование API 50
4.4. Результаты тестирования 50
5. ВЫЧИСЛИТЕЛЬНЫЕ ЭКСПЕРИМЕНТЫ 51
ЗАКЛЮЧЕНИЕ 56
ЛИТЕРАТУРА 57
ПРИЛОЖЕНИЕ 62

Купить

Актуальность темы
Контроль качества продукции является важным этапом на металлургических заводах, ведь гарантия качества означает соответствие механических и других свойств определенным значениям. Но когда металл находится в прокате, состояние его поверхности или покрытия создает отдельный важный фактор качества, который также необходимо контролировать [22].
Контроль поверхности как правило осуществляется визуально (человеком) на конечных этапах производства. Однако, даже здесь скорость проката металла очень высока и на проведение контроля имеется очень мало времени. По окончанию процесса прокатываемый металл сворачивается в рулон, после чего обнаружить дефект становится еще труднее. Нередко это приводит к отгрузке потребителю некачественного металла, что в дальнейшем влечет значительные финансовые потери для производителя.
Таким образом, очевидно, что потребность металлургических предприятий в системах автоматизации обнаружения и классификации поверхностных дефектов является очень высокой. Но, несмотря на эту высокую потребность, разработчиков подобных систем на сегодняшний день довольно мало. Наиболее известные: ISRA Parsytec, Codnex, Matra, EES, Siemens-VAI, Sipar и др.) [1]. При этом существующие системы хорошо выполняют обнаружение дефектов, но до сих пор имеют сложности с их классификацией. Сложность обусловлена тем, что поверхности сталей, прокатываемые на разных агрегатах даже одного и того же завода, часто различаются по внешнему виду, а это приводит к усложнению алгоритмов обнаружения и классификации дефектов поверхности [2, 20, 32]. Кроме того, любую универсальную часть системы приходится адаптировать под конкретную производственную линию [23]. Помимо этого, сложность обусловлена большим количеством разновидностей поверхностных дефектов [12].
Характеристики и классификация дефектов варьируются для каждого конкретного производства и агрегата и не регулируются общепринятым стандартом. Даже небольшие изменения в производственном процессе могут вызывать появление новых видов дефектов [36].
Архитектура и подробные характеристики коммерческих систем автоматического обнаружения дефектов не распространяются в открытом доступе. Однако существуют научно-исследовательские проекты на эту тему. К примеру, в работах [4, 25] описан пример с использованием алгоритма по выделению признаков, созданного без использования машинного обучения в комбинации с нейронной сетью для классификации.
Стоит отдельно отметить, что высокая точность классификации дефектов создаст возможность заранее согласовывать качество металлопроката с потребителем - предприятие может пойти на определенные уступки, вместо полной замены и дальнейшего перепроизводства продукции.
Таким образом, разработка аналогичной системы с использованием искусственных нейронных сетей (ИНС) для достижения высокой точности классификации является очень актуальной задачей.
Цель и задачи исследования
Основной целью данной работы является создание программной системы, выполняющей классификацию дефектов поверхности металлопроката с высокой точностью (свыше 90 %) и высокой скоростью (не более 1 секунды на 1 изображение) за счет использования искусственных нейронных сетей. Для достижения цели необходимо выполнить следующие задачи:
1) выполнить исследование предметной области, определить возможность использования нейронных сетей для решения задачи классификации дефектов металлопроката;
2) построить модель нейронной сети, подходящую для решения задачи классификации видимых дефектов металлопроката;
3) выполнить генерацию обучающей, тестовой и валидационной выборок на основе базы данных дефектов поверхности горячего металлопроката, предоставленной Северо-восточным университетом (NEU); произвести аугментацию сгенерированных выборок;
4) спроектировать и реализовать систему классификации дефектов;
5) провести тестирование и вычислительные эксперименты.
Структура и объем
Выпускная квалификационная работа состоит из введения, пяти основных разделов, заключения, библиографии и приложения. Объем работы составляет 61 страницу, объем библиографии - 39 наименований, объем приложения - 5 страниц.
Содержание работы
В первой главе «Современные способы классификации дефектов» представлено исследование предметной области по классификации дефектов металлопроката. Приводятся краткие сведения по способу решения этой задачи коммерческими системами. Рассматриваются научные работы по направлению исследований. Описываются существующие способы решения задачи классификации дефектов и выделяются основные характеристики этих способов - точность и скорость классификации.
Во второй главе «Проектирование» описывается проектирование системы для классификации дефектов. Выполняется подбор базовых архитектур искусственных нейронных сетей для решения задачи классификации.
В третьей главе «Реализация» описывается реализация системы для классификации дефектов. Приводятся построенные модели нейронных сетей для решения задачи классификации.
В четвертой главе «Тестирование» описывается тестирование компонентов разработанной программной системы. Приводятся результаты тестирования.
В пятой главе «Вычислительные эксперименты» представлены результаты обучения и работы разработанных моделей нейронных сетей, приводятся их основные качественные параметры - точность и скорость классификации, а также анализируются полученные результаты.
В заключении приводятся результаты работы, подводятся итоги проведенных исследований.

Купить