8961

تشخيص عيوب كاشي با استفاده از يادگيري عميق و مهارت‌هاي بينايي كامپيوتر

كارشناسي

مهندسي كامپيوتر

1402

دكتر محمدرضا محمدي

1402/11/30

مهندسي كامپيوتر

Tile Defect Detection Using Deep Learning and Computer Vision Techniques

اين پاياننامه به بررسي استفادە از تكنيكهاي يادگيري عميق و بينايي كامپيوتر براي تشخيص عيوب در كاشي ها در خط توليد كه ميتواند محيطي سوزان و بسيار گرم باشد و سرعت و دقت اهميت زيادي داشته باشد، مي پردازد. نكته مهم اين تحقيق حل چالش تشخيص تركهاي واقعي از الگوهاى پيچيده روي كاشيها است، كه اغلب با ترك ها اشتباه گرفته ميشوند. براى حل اين مشكل، ما از شبكه هاي سيامي استفاده ميكنيم كه قادر به تشخيص دقيق تفاوت هاي ظريف در الگوها هستند. علاوه بر چالشهاي تشخيص الگو، تحقيق ما همچنين به مسائل عدم توازن دادهها و برچسب گذاري غيردقيق ميپردازد كه در كاربردهاي يادگيري ماشين در محيطهاي صنعتي رايج است. ما از روشهاي متنوعي براي مقابله با اين مسائل استفاده ميكنيم. اين روش ها شامل دو روش جديد براي اصلاح برچسبها و استراتژيهايي براي مقابله با تأثيرات عدم توازن دادهها است. مدل هاي ما كە تركيبي از قدرت شبكەهاي سيامي و معمارىهاى U-Net هستند، با استفاده از توابع ضرر dice و focal ومعيارهاى عملكرد مانند امتياز precision ،F1 وrecall (بر اساس معيار اشتراك بر اجتماع يا IOU) ، ارزيابي ميشوند. رسيدگي دقيق به عدم توازن داده ها و اصلاح استراتژيك برچسب ها براي آموزش صحيح مدلهاي خوب بسيار مهم است. با استفاده از اين روشها، مدل ++Siamese U-Net به دقت بالايى دست يافته است: ضريب dice 09779 در مجموعه آموزشي و امتياز F1 0/8879 در مجموعه آزمايشي. اين نتايج اثربخشى رويكرد انتخاب شده در تشخيص عيوب كاشي در شرايط دشوار توليد را نشان ميدهد و راه را براي كنترل كيفيت قابل اعتماد و كارآمدتر در توليد كاشي هموار مي كند.

بينايي كامپيوتر , يادگيري عميق , تشخيص الگو , ناحيه بندي تصوير , كنترل كيفيت صنعتي