ИСПОЛЬЗОВАНИЕ МОДЕЛИ ГЛУБОКОГО ОБУЧЕНИЯ НА ОСНОВЕ CNN ДЛЯ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ ДЕФЕКТОВ КИРПИЧНОЙ КЛАДКИ

Аннотация

В предлагаемой исследовательской работе утверждается, что раннее и точное обнаружение поверхностных дефектов в кирпичной промышленности имеет решающее значение для поддержания качества продукции, сокращения отходов материалов и повышения эффективности производства. Традиционные методы ручной проверки часто отнимают много времени и зависят от человеческого опыта. Поэтому в данном исследовании предлагается интеллектуальный подход к обнаружению дефектов кирпича, основанный на методах глубокого обучения, в частности, на сверточных нейронных сетях (CNN), для автоматизированной оценки качества.

Предложенная система предназначена для обнаружения и классификации различных типов дефектов кирпича, таких как трещины, поверхностные дефекты, дефекты краев и образцы без дефектов, с использованием анализа изображений. Для обучения и оценки модели использовался общедоступный набор данных о дефектах кирпича. Архитектура CNN состоит из нескольких сверточных слоев и слоев максимального пулинга для извлечения признаков, за которыми следуют полносвязанные слои и классификатор Softmax для окончательного прогнозирования. Модель была обучена и протестирована с использованием методов контролируемого обучения для достижения высокой точности классификации.

Экспериментальные результаты показывают, что предложенная модель показала высокую производительность по всем оценочным показателям. Полученные значения точности, правильности, полноты и F1-меры превысили 93%, что свидетельствует об эффективности предложенного подхода. В частности, модель показала высокую эффективность в обнаружении дефектов в виде трещин и успешно различала дефектные и недефектные поверхности кирпича. Сравнительный анализ также показал, что подходы на основе глубокого обучения превосходят традиционные методы машинного обучения по точности и возможностям автоматизации.

Результаты этого исследования демонстрируют потенциал интеллектуальных систем на основе CNN для обнаружения дефектов в реальном времени и автоматизированного контроля качества в промышленности. Предложенный подход может способствовать повышению надежности производства, сокращению вмешательства человека и поддержке развития интеллектуальных производственных сред в отрасли строительных материалов.