Çelik kusurlarının tespiti için yüksek performanslı evrişimli sinir ağı

Sıcak haddelenmiş çelik şeritlerde ve çelik terminal imalat endüstrisinde hatasız ürünler sağlamanın kritik ilgisi aşırı vurgulanamaz ve bu, iki (2) farklı çelik ürün sınıfı için bir kusur tespit algoritması geliştirmeye odaklanan bu çalışmanın amacının temelini atmaktadır. Çalışma iki (2) parçaya ayrılmıştır ve birinci bölüm, sıcak haddelenmiş çelik şeritlerdeki yüzey kusurlarını tespit etmeyi öğrenme üzerine kuruludur. ikinci bölüm ise çelik terminallerdeki kusurları tespit etmek için bu çalışmada optimize edilen YOLO v3 algoritmasına dayanmaktadır. Çalışmanın birinci bölümü, sıcak haddelenmiş çelik şeritlerdeki yüzey kusurlarını tespit etmek ve sınıflandırmak için transfer öğrenme tabanlı bir yöntem önermektedir. Önerilen yöntem, sınırlı sayıda eğitim verisi ve veri sınıfı dengesizliğinin etkisini azaltmak için veri büyütme ile önceden eğitilmiş bir VGG19 kullanarak aktarılan öğrenmeye dayanan bir Derin Eşlemsel Sinir Ağı (DCNN) modeli kullanmaktadır. Deneysel testler, VGG19 önceden eğitilmiş modeli kullanarak önerilen yöntemin, KNN, ANN ve Faster RCNN modelinden daha doğru olan sırasıyla %93.11 ve %97.22 eğitim ve doğrulama doğrulukları ile mükemmel bir performansa sahip olduğunu göstermektedir. Çalışmanın ikinci bölümü, çelik terminallerdeki en yaygın üç (3) kusur sınıfını tespit etmek için optimize edilmiş bir YOLO v3 algoritması önermektedir. Tezde önerilen optimize edilmiş YOLO v3 ağı, Hatko Electronics'in İstanbul'daki üretim fabrikasından gerçek zamanlı olarak edinilen çelik terminal görüntü veri kümeleri kullanılarak eğitilmiştir, ve orijinal YOLO v3 ağından mAP (ortalama Ortalama Hassasiyet) sonuçlarından (%57,9 AP50 @0,50) daha yüksek olan 0,50 IOU Eşiği'nde %97,19 AP50 bölgesinde iyi bir performans sunmuş, ve yaklaşık %55.7 AP50 ve SSD513 (Tek Atış dedektörü) ağı için% 50.4 AP50 olan Faster-RCNN'nin mAP puanından daha yüksektir.