Автоматическое обнаружение и классификация дефектных участков металлических деталей с использованием адаптивного объединения Faster R-CNN и метода Shape from Shading

Методы компьютерного зрения и глубокого обучения играют важную роль в системах промышленного контроля. Технология компьютерного зрения необходима для быстрого контроля продукции на производственной линии и выявления дефектов. Значимость компьютерного зрения становится очевидной при рассмотрении ограничений классических методов. Обнаружение дефектов на металлических поверхностях представляет собой сложную задачу, поскольку такие поверхности легко подвергаются воздействию факторов окружающей среды, включая освещение и отражение света. Поскольку традиционные алгоритмы обнаружения неэффективны при решении сложных задач, мы предлагаем новый метод обнаружения и классификации дефектов металлических поверхностей, таких как трещины, царапины и включения. Тип и местоположение дефектов определялись с помощью региональной сверточной нейронной сети Faster (Faster R-CNN) в сочетании с методом Shape from Shading (SFS), позволяющим извлекать характеристики поверхности. Для дефектных образцов использовалась база данных дефектов поверхности Northeastern University (NEU). Предложенный алгоритм также был протестирован на неразмеченном наборе данных KolektorSDD2 (KSDD2) для оценки его способности выполнять разметку. Результаты, полученные на размеченном и неразмеченном наборах данных, продемонстрировали передовой уровень эффективности в автоматическом обнаружении, классификации и разметке дефектов. Предложенный метод показал удовлетворительные результаты при обнаружении дефектов на металлических поверхностях; средняя точность составила 0.83. Значения средней точности для сетчатых трещин, питтингов, пятен, царапин, включений и заката на валки окалины составили соответственно 0.96, 0.93, 0.89, 0.80, 0.72 и 0.71.