Разработка метода предварительной обработки цифровых изображений для улучшения качества детектирования поверхностных дефектов листового проката с использованием нейросетевой модели
Автор: Евстафьев О.А., Шаветов С.В.
Журнал: Технико-технологические проблемы сервиса @ttps
Рубрика: Диагностика и ремонт
Статья в выпуске: 4 (66), 2023 года.
Бесплатный доступ
В статье рассматриваются вопросы детектирования и классификации поверхностных дефектов листового проката с применением методов глубокого обучения и компьютерного зрения. Качественное обнаружение и распознавание дефектов играют ключевую роль в повышении стандартов качества производства и аттестации металлопроката. В работе представлена модель обнаружения, базирующаяся на сверточной нейронной сети Faster R-CNN. Для усиления эффективности данной модели был разработан специализированный алгоритм предобработки изображений. Разработанный алгоритм обеспечивает высокую чувствительность системы видеоинспекции, позволяя детектировать дефекты размером до 0,5 x 0,5 мм, что делает его пригодным для применения в системах реального масштаба времени.
Листовой металлопрокат, цифровая обработка изображений, поверхностные дефекты холоднокатанного металлопроката, искусственные нейронные сети, статистические характеристики изображения
Короткий адрес: https://sciup.org/148328117
IDR: 148328117
Список литературы Разработка метода предварительной обработки цифровых изображений для улучшения качества детектирования поверхностных дефектов листового проката с использованием нейросетевой модели
- Kostenetskiy, P. et al. Real-time system for automatic cold strip surface defect detection // FME Transactions. 2019. Vol. 47(4). P. 765-774.
- Li, H., Gao, Y., & Liu, J. (2018). A defect detection method for steel plates based on deep learning. Applied Sciences, 8(6), 983.
- BLiu, H., Hu, Q., & Zhou, W. (2020). A review of surface defect detection methods for steel plates. Journal of Materials Research and Technology, 9(2), 3081-3095.
- D. Huang, G. Zhang, X. Zhang, and Y. Lu,” Surface defect detection of hot rolled steel strip based on deep learning and illumination normalization,” Journal of Materials Processing Technology, vol. 273, p. 116330, 2019.
- Y. Li, L. Zhu, M. Zhang, Y. Ren, and Y. Cui,” Steel surface defect detection under different illumination conditions,” in 2018 3rd International Conference on Mechanical, Control and Computer Engineering (ICMCCE), 2018, pp. 840-844.
- Q. Luo, X. Fang, L. Liu, C. Yang, and Y. Sun, “Automated Visual Defect Detection for Flat Steel Surface: A Survey,” IEEE Trans. Instrum. Meas., vol. 69, no. 3, 2020, doi: 10.1109/TIM.2019.2963555.
- X. Lv, F. Duan, and J. Jiang, “Deep metallic surface defect detection: the new benchmark and detection network,” Sensors (Basel, Switzerland), vol. 20, no. 6, 2020.
- ГОСТ 21014–2022. Металлопродукция из стали и сплавов. Дефекты поверхности. Термины и определения: утвержден и введен в действие приказом Федерального агентства по техническому регулированию и метрологии от 31 марта 2022 г. № 182-ст межгосударственный стандарт введен в действие в качестве национального стандарта РФ с 1 сентября 2022 г., введен взамен ГОСТ 21014–88. Дата издания: 14.04.2022. М.: Издательство стандартов, 2022. – 98 с.
- Litvintseva A., Evstafev O., Shavetov S.V. Real-time Steel Surface Defect Recognition Based on CNN//IEEE International Conference on Automation Science and Engineering, 2021, pp. 1118-1123
- Evstafev O., Shavetov S. Surface Defect Detection and Recognition Based on CNN//8th International Conference on Control, Decision and Information Technologies, CoDIT 2022, 2022, pp. 1518-1523
- Mohan, A.; Poobal, S. Crack detection using image processing: A critical review and analysis // Alex. Eng. J. 2018, Vol. 57. P. 787–798
- Ren, Shaoqing & He, Kaiming & Girshick, Ross & Sun, Jian. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence. 39. 10.1109/TPAMI.2016.2577031.
- Ly, Bao & Dyer, Ethan & Feig, Jessica & Chien, Anna & Bino, Sandra. (2020). Research Techniques Made Simple: Cutaneous Colorimetry: A Reliable Technique for Objective Skin Color Measurement. The Journal of investigative dermatology. 140. 3-12.e1. 10.1016/j.jid.2019.11.003.
- M. A. Rahman and Y. Wang, “Optimizing intersectionover- union in deep neural networks for image segmentation,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2016, vol. 10072 LNCS, pp. 234–244.
