Classification of Surface Defects in Steel Sheets Using Developed NasNet-Mobile CNN and Few Samples
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Rolled steel is a major product of ferrous metalworking.It is a popular metal structure construction technology.Though a big amount of the finished product may be flawed, the process of manufacturing must be improved.It is critical to correctly classify hot-rolled strip faults.As a result, in recent years, numerous machine-learning-based automated visual inspection (AVI) systems have been created.However, these approaches lack several critical components, such as insufficient RAM, which causes complexity and slowness during implementation.Long execution durations, in general, cause the process to be delayed or completed later than expected.A shortage of faulty samples is also a significant difficulty in steel defect detection, as the imbalance between the huge number of nondefective photos and the defective ones causes the algorithm to be unfair in categorization.To address these three issues, a deep CNN model is created in this study.The backbone architecture is a pre-trained NasNet-Mobile that has been fine-tuned with particular parameters to be compatible with the required data.Despite having 27 times less data than other articles' datasets, the model detects steel surface photos with six defects with 99.51% accuracy, exceeding earlier methodologies.This study is useful for surface fault classification when the sample size is small, the software is not quite as effective, or time is limited.Avoiding these issues will help the steel industry improve safety and end product quality while also saving time and money.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle