| نوع مدرک: | متون چاپی |
| سرشناسه | رسولی چادگانی ، الهام، نویسنده |
| رده‌بندی کنگره : | COM A 4 1399 |
| عنوان : | شناسائی عیوب صفحات فولادی با روش یادگیری عمیق |
| ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
| سال نشر : | 1399 |
| صفحه شمار: | و، 134ص |
| یادداشت | پایان نامه کارشناسی ارشد: هوش مصنوعی |
| شناسه افزوده : | ترابیان ، مهدی، استاد راهنما کلینی ، مینا، استاد مشاور |
| توصیفگرها | تختال ترک ماشین بینائی یادگیری عمیق شبکه های عصبی کانولوشنی ماشین های بردار پشتیبان Steel Slabs Cracks Machine Learning Deep Learning Convolutional Neural Networks Support Vector Machines |
| چکیده : | استفاده از فولاد از دیرباز موردتوجه بشر بوده است چراکه به کمک آن موفق به ساخت انواع ابزارآلات موردنیاز خود اعم از ابزار صنعتی و خانگی شده است. به همین خاطر تلاش برای پیشرفت در صنایع فولاد از اهمیت بالائی برخوردار است. تاکنون نیز برای بالا بردن کیفیت محصولات صنعتی، کاهش ضایعات و کاهش خطای انسانی، بررسی‌های مختلفی روی صفحات فولادی انجام‌شده است تا عیوب آنها تشخیص داده‌شده و از تولید محصولات نامرغوب جلوگیری شود. در برخی از راهکارهای ارائه‌شده، ماشین بینائی برای تختال و در زمان نورد گرم و در برخی، برای تختال و هنگام نورد سرد تعبیه‌شده است. همچنین نوع عیوب موردبررسی، نحوه نورپردازی نیز در هر روش متفاوت است. در برخی از راهکارها، الگوریتم موردنظر قادر به تشخیص کلیه نواقص اسلب بوده و در برخی دیگر، تنها یک نقص را می‌تواند شناسایی نماید.
این پایان‌نامه، عملیات پردازش تصویر را با هدف ارتقاء دقت شناسائی انجام داده است. در این روش از دو مجموعه داده NEL-CLS (1800 تصویر) و NEL-CLS-64 (7226 تصویر)، که از هر کدام، 70 درصد برای مجموعه آموزشی و 30 درصد برای مجموعه آزمون، اختصاص یافته، استفاده شده است. علت استفاده از این دو مجموعه آموزشی، دسترسی به تعداد تصویر بیشتر برای بالا بردن تعداد عیوب شناسائی شده است. همچنین برای استخراج ویژگی ها، از توصیفگرهای HOG و LBP، و شبکه عصبی VGG16 بهره برده است.
استخراج ویژگی ها توسط HOG و LBP، به علت یکسان بودن تعداد و نوع ویژگی ها در تصاویر، محاسبات ساده ای دارند. شبکه عصبی VGG16 نیز که از نوع یادگیری عمیق است به علت گسترده بودن، موجب بالا رفتن تعداد ویژگی ها و سرعت استخراج آنها و به تبع آن، دقت اندازه گیری می شود. همچنین موفق به کسب رتبه برتر در مسابقات ILSVRC سال 2014 شده است. پس از استخراج ویژگی ها، روش های طبقه بندی SVM، Discritminant، Kernel، KNN، Linear، Naivebayes و Tree به کار گرفته شد تا بهترین روش طبقه بندی شناسائی گردد. برای شناسائی بهترین روش نیز از چهار معیار ارزیابی Recall، Precision، Accuracy و F_Score استفاده شده است که روش VGG16 به همراه SVM، نتیجه مطلوب را حاصل نمودند.
این کار به کمک نرم افزار MATLAB R2019a صورت گرفته که دقت بدست آمده نیز به بیش از 99 درصد افزایش یافته است. در ادامه کار، از شبکه عصبی VGG19 برای استخراج ویژگی ها و نیز از نرم افزار QT Creator برای افزایش سرعت شناسائی نیز استفاده می شود |
| لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=12527 |
| زبان مدرک : | فارسی |
مرتب سازی پالایش جستجو
