РАЗРАБОТКА МОДЕЛЕЙ РАСПОЗНАВАНИЯ ДЕФЕКТОВ ЛИСТОВОЙ СТАЛИ С ПОМОЩЬЮ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ

АННОТАЦИЯ 2
ВВЕДЕНИЕ 5
1 Процесс производства листовой стали 7
1.1 Виды металлических листов 7
1.2 Виды дефектов листовой стали 9
1.3 Выводы по главе 1 10
2 МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ, РЕШЕНИЯ ЗАДАЧ
КОМПЬЮТЕРНОГО ЗРЕНИЯ 11
2.1 Анализ методов машинного обучения 11
2.2 Нейронные сети 18
2.3 Обучение сверточной нейронной сети 23
2.4 Функции активации нейросети 35
2.5 Выводы по главе 2 43
3 ИССЛЕДОВАНИЕ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ДЛЯ
ПРОГНОЗИРОВАНИЯ дефектов стали 44
3.1 Визуализация каждого типа дефекта 44
3.1.1 Дефект 1 класса 44
3.1.2 Дефект 2 класса 44
3.1.3 Дефект 3 класса 45
3.1.4 Дефект 4 класса 46
3.2 Метрика 46
3.3 Построение модели 46
3.4 Выбор кодировщика и архитектуры модели 47
3.5 Оптимизация модели 50
3.6 Метод оценки модели 51
3.7 Вывод по главе 3 51
4 Коммерциализация проекта 52
4.1 Дорожная карта коммерциализации проекта 52
4.2 Выводы по главе 4 64
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 65

Купить

Сталь является одним из важнейших строительных материалов современности. Стальные здания устойчивы к естественному и искусственному износу, что сделало материал повсеместным в мире. Процесс производства листовой стали особенно деликатный. От нагрева и прокатки до сушки и резки - к моменту готовности к отправке несколько машин соприкасаются с плоской сталью. Сегодня используются изображения с высокочастотных камер для алгоритма обнаружения дефектов.
Будущее металлургии требует развития в экономических, экологических и социальных аспектах отрасли, и серьезно относятся к корпоративной ответственности. В настоящее время компании стремится к машинному обучению для улучшения автоматизации, повышения эффективности и поддержания высокого качества своей продукции.
В выпускной квалификационной работе описывается подход к решению проблемы обнаружение дефектов листовой стали. Своевременное выявление дефектов листового проката, позволить повысить качество продукции, а так же уменьшить количество брака на производстве что приведет к повышению прибыли и минимизации издержек компании соответственно.
Предоставленный набор данных является набором изображений с высокочастотных камер. В процессе работы надо будет предсказывать местонахождение и тип дефектов, обнаруженных при производстве листовой стали. Изображения названы с уникальным идентификатором.
Каждое изображение может не иметь дефектов, дефектов одного класса или дефектов нескольких классов. Для каждого изображения следует сегментировать дефекты каждого класса.
Актуальность темы обусловлена необходимостью поддерживать высокие производственные стандарты для стали. Благодаря предоставленным данным, может быть построена более эффективная система промежуточного и выходного контроля качества производства листовой стали. Все это позволит снизить издержки в данном сегменте и увеличить прибыль
Основной целью работы является - повышение эффективности обнаружения дефектов листовой стали за счет применения методов машинного обучения, снижение затрат компании в данной области.
Чтобы достичь поставленную цель, необходимо решить следующие задачи:
- проанализировать процесс производства листовой стали;
- проанализировать виды дефектов, и существующие методы их выявления;
- проанализировать использование методов машинного обучения для распознавания, изображений с высокочастотных камер;
- объяснить актуальность выбора использованных метрик качества и процедуры кросс-валидации;
- проанализировать предоставленный набор данных;
- провести предварительную обработку данных;
- исследовать эффективность методов машинного обучения для решения данной задачи;
- спрогнозировать местонахождение и тип дефектов обнаруженных при производстве стали.
Научной новизной является использование U-net архитектуры для выявления дефектов стали и прогнозирования местонахождения и типа дефектов.
Практическая значимость - использование данного подхода позволяет повысить качество продукции, снизить эксплуатационные расходы и увеличить прибыль производственных предприятий.

Купить