Обнаружение Дефектов Поверхности в Промышленности (NEU-DET)

Обзор Модели Ironman1612/defect-detection-model

Эта модель глубокого обучения основана на архитектуре YOLOv8 и предназначена для высокоточного обнаружения и классификации шести различных типов поверхностных дефектов в промышленных материалах. Разработанная для обеспечения контроля качества в производственных процессах, модель способна к обработке изображений в реальном времени, что делает ее незаменимым инструментом для автоматизированных систем инспекции.

Архитектура и Обучение

• Архитектура: Модель использует передовую архитектуру YOLOv8 от Ultralytics, известную своей скоростью и точностью в задачах обнаружения объектов.
• Набор данных: Обучение проводилось на наборе данных NEU-DET, который состоит из 1,800 изображений в градациях серого. Этот датасет включает разнообразные примеры каждого типа дефектов, обеспечивая robustность и обобщаемость модели.
• Задача: Основная задача — обнаружение объектов, а именно локализация дефектов на изображениях и их классификация.
• Фреймворк: Разработка и обучение выполнены с использованием фреймворка Ultralytics.

Обработка и Выходные Данные

• Входные данные: Модель принимает изображения в форматах JPEG и PNG.
• Выходные данные: После обработки изображения модель генерирует ограничивающие рамки (bounding boxes) для каждого обнаруженного дефекта, а также оценку уверенности (confidence score) для каждой детекции.

Поддерживаемые Классы Дефектов

Модель способна идентифицировать следующие типы дефектов:

• Растрескивание (Crazing): Мелкие поверхностные трещины, образующие сетевой рисунок.
• Включение (Inclusion): Инородный материал, внедренный в поверхность.
• Пятна (Patches): Поверхностные неровности и изменение цвета.
• Рваная Поверхность (Pitted Surface): Повреждения в виде выбоин и коррозии.
• Вкатанная окалина (Rolled-in Scale): Слои окалины или оксидов, вкатанные в материал.
• Царапины (Scratches): Поверхностные истирания и следы царапин.

Применение

Эта модель идеально подходит для автоматизации контроля качества в таких отраслях, как металлургия, автомобилестроение и производство электроники, где своевременное обнаружение дефектов критически важно для обеспечения высокого качества продукции и снижения брака.