Intelligent monitoring of an industrial system using image classification

Abstract

L'importance de l'automatisation pour améliorer l'efficacité et la rentabilité, tout en réduisant au minimum la participation humaine, a entraîné une augmentation considérable des industries automatisées dans divers secteurs à l'échelle mondiale. Cependant, ces industries doivent surmonter un certain nombre d'obstacles pour trouver des défauts dans le produit fini. Dans ce scénario particulier, la mise en oeuvre de systèmes de surveillance intelligents semble contribuer grandement à l'inspection automatisée des défauts de la qualité des produits tout en réduisant la nécessité d'une intervention humaine excessive. Cependant, ces systèmes manquent de plusieurs composants essentiels, ce qui entraîne des retards et des inefficacités de la production. Le domaine fait face à des défis importants, notamment un temps d'exécution limité, des coûts élevés et l'utilisation de processeurs qui manquent de puissance suffisante à des fins de surveillance. Cette thèse utilise un réseau neuronal convolutionel récemment développé, NasNet-Mobile, dans une tentative de surmonter ces limitations. Notre étude a impliqué l'utilisation d'un réseau neuronal profond cusomisé qui a fait l'objet d'une formation approfondie pour classer avec précision six défauts distincts trouvés sur les surfaces d'acier. L'algorithme a été amélioré en utilisant la fonction d'activation de l'ELU au lieu de ReLU pour résoudre le problème des neurones en train de mourir. Les optimisateurs ont été changés entre ADAM et ADAMAX pour trouver le meilleur. De nombreuses autres couches ont été ajoutées pour améliorer l'apprentissage du modèle, comme Dropout et le Global Average Pooling. Les résultats ont été très prometteurs, car l'approche proposée a réussi à classer six types différents d'images défectueuses dans le domaine de l'acier industriel. Même avec beaucoup moins de données que d'autres ensembles de données de recherche, le modèle a obtenu une précision impressionnante de 99,51 % avant le réglage fin et de 100 % après le reglage fin, dépassant les méthodes précédentes d'évaluation des défauts de pointe. L'importance de cette recherche réside dans son potentiel d'améliorer la surveillance intelligente de l'industrie dans des scénarios difficiles, tels que des échantillons d'images défectueux limités, des logiciels moins puissants ou des situations sensibles au temps. En répondant à ces défis, l'industrie de l'acier peut réduire les coûts et le temps consacré à l'ensemble du processus tout en améliorant la sécurité des travailleurs et la qualité des produits