عنوان المقالة:نهج التعلم القائم على النقل باستخدام مصنف الشبكة العصبية التلافيفية الجديد لتصنيف عيوب سطح الفولاذ Transfer learning-based approach using new convolutional neural network classifier for steel surface defects classification
علاءالدين محمد سليمان إبراهيم | Alaa Aldein Mohamed Suliman Ibrahim | 7338
- نوع النشر
- مجلة علمية
- المؤلفون بالعربي
- علاء الدين محمد سليمان إبراهيم و جوليس رايموند تابامو
- المؤلفون بالإنجليزي
- Ibrahim, Alaa Aldein MS and Tapamo, Jules R
- الملخص العربي
- لقد حل الكشف التلقائي عن عيوب السطح للمنتجات الصناعية باستخدام الفحص البصري محل الكشف اليدوي عن عيوب الشرائط الفولاذية بشكل تدريجي وأصبح جزءًا ضروريًا من الكشف عن عيوب سطح المنتجات الصناعية لشرائط الفولاذ. تظهر منتجات الصلب المختلفة مجموعة واسعة من عيوب السطح. علاوة على ذلك، تظهر هذه العيوب تنوعًا وتشابهًا كبيرًا، مما يشكل تحديات في تصنيفها. ونتيجة لذلك، تعاني النماذج المستخدمة حاليًا لتحديد هذه العيوب من تحدي الدقة المنخفضة، مما يترك فرصًا واسعة لمزيد من التحسين. تهدف هذه الورقة إلى تحسين دقة الكشف عن العيوب وتصنيفها باستخدام نهج جديد يجمع بين جزء من نموذج VGG16 المدرب مسبقًا كمستخرج للميزات وشبكة عصبية ملتوية جديدة (CNN) كمصنف لتصنيف ستة أنواع من العيوب التي تظهر على الأسطح الفولاذية. أظهرت النتائج التجريبية أن طريقتنا المقترحة يمكنها تصنيف مجموعة متنوعة من عيوب سطح الفولاذ بشكل فعال. تُظهر المقارنة بالطرق الحديثة تفوق الطريقة المقترحة.
- الملخص الانجليزي
- Automatic surface defect detection of industrial products using visual inspection has progressively replaced manual defect detection of steel strips and become a necessary part of industrial product surface defect detection of steel strips. Various steel products exhibit a wide range of surface defects. Moreover, these defects show significant diversity and similarities, posing challenges in their classification. As a result, the models currently used for identifying these defects suffer from the challenge of low accuracy, which leaves ample opportunities for further enhancement. This paper aims to improve defect detection and classification accuracy using a new approach that combines part of a pre-trained VGG16 model as a feature extractor and a new convolutional neural network (CNN) as a classifier for classifying six types of defects appearing on steel surfaces. The experimental results have shown that our proposed method can effectively classify a variety of steel surface defects. A comparison with state-of-the-art methods shows the superiority of the proposed method.
- تاريخ النشر
- 17/01/2024
- الناشر
- Elsevier
- رقم المجلد
- 23
- رقم العدد
- رابط DOI
- https://doi.org/10.1016/j.sciaf.2024.e02066
- الصفحات
- e02066
- رابط الملف
- تحميل (0 مرات التحميل)
- الكلمات المفتاحية
- Convolutional neural networkDeep learningFeature extractionMachine learningSteel defectsTransfer learningVGG16