Diagnostic visuel de pièces industrielles par Machine Learning

Abstract

Ce projet de fin d’études porte sur la classification automatique des défauts de surface des plaques d’acier laminées à chaud à partir de la base de données NEU-CLS. Les défauts générés lors du procédé de laminage, tels que les fissures, les inclusions, les rayures ou les irrégularités de texture, peuvent altérer la qualité des produits et engendrer des pertes économiques importantes. Face aux limites de l’inspection visuelle manuelle, notamment son coût, sa subjectivité et sa difficulté à suivre les cadences industrielles élevées, ce travail vise à développer un système automatique de reconnaissance des défauts. L’approche proposée s’appuie sur des techniques de vision par ordinateur et d’apprentissage automatique. Les caractéristiques des images sont extraites à l’aide des descripteurs LBP, HOG et Gabor, puis utilisées par des algorithmes de classification supervisée tels que les machines à vecteurs de support (SVM) et les réseaux de neurones artificiels (ANN). Les performances des différentes combinaisons de descripteurs et de classifieurs sont ensuite évaluées afin d’identifier la solution la plus performante pour la classification automatique des défauts de surface. Mots clés : Classification de défauts de surface, Vision par ordinateur, Apprentissage automatique, Descripteurs de caractéristiques (handcraftedfeatures), Machines à vecteurs de support (SVM), Réseaux de neurones artificiels (ANN), Contrôle qualité industriel. Abstract This final-yearprojectfocuses on the automatic classification of surface defects in hot-rolledsteel plates using the NEU-CLS dataset. Defectsgeneratedduring the rollingprocess, such as cracks, inclusions, scratches, and texture irregularities, cansignificantly affect productquality and lead to substantialeconomiclosses. Due to the limitations of manualvisual inspection, includingitscost, subjectivity, and inability to keep pace with modern high-speed production lines, thisworkaims to develop an automaticdefect recognition system. The proposedapproachisbasedon computer vision and machine learning techniques. Image features are extractedusing LBP, HOG, and Gabor descriptors and thenprocessed by supervised classification algorithmssuch as Support Vector Machines (SVM) and Artificial Neural Networks (ANN). The performance of differentcombinations of featuredescriptors and classifiersisevaluated and compared in order to identify the most effective solution for the automatic classification of surface defects. Keywords: Surface defect classification, Computer vision, Machine learning, Handcraftedfeaturedescriptors, Support Vector Machines (SVM), Artificial Neural Networks (ANN), Industrialquality control.

ملخص يركز مشروع التخرج هذا على التصنيف اآللي لعيوب السطح في صفائح الفوالذالمدرفلة على الساخن باستخدام قاعدة بيانات مرجعية متخصصة في هذا المجال. إن العيوب الناتجة عن عملية الدرفلة، مثل الشقوق والشوائب والخدوش وعدم للقيود المرتبطة انتظام النسيج السطحي، قد تؤثر بشكل كبير على جودة المنتج وتؤدي إلى خسائر اقتصادية معتبرة. ونظراً بالفحص البصري اليدوي، من حيث التكلفة والذاتية وصعوبة مواكبة خطوط اإلنتاج الحديثة ذات الوتيرة العالية، يهدف هذا العمل إلى تطوير نظام آلي للتعرف على العيوب. تعتمد المقاربة المقترحة على تقنيات الرؤية الحاسوبية وتعلم اآللة، حيث يتم استخراج خصائص الصور باستخدام واصفات األنماط الثنائية المحلية، ومدرجات التدرجات الموجهة، ومرشحات غابور، ثم معالجتها بواسطة خوارزميات التصنيف الخاضع لإلشراف مثل آالت المتجهات الداعمة والشبكات العصبية االصطناعية. بعد ذلك، يتم تقييم ومقارنة أداء مختلف تركيبات واصفات الخصائص والمصنفات من أجل تحديد الحل األكثر فعالية للتصنيف اآللي لعيوب السطح الكلمات المفتاحية: تصنيف عيوب السطح، الرؤية الحاسوبية، تعلم اآللة، واصفات الخصائص اليدوية، آالتالمتجهات .الداعمة، الشبكات العصبية االصطناعية، مراقبة الجودة الصناعية