Resumen

En el proceso de producción de flejes de acero, la detección de defectos superficiales es muy importante. Sin embargo, los métodos tradicionales de detección de defectos presentan problemas de baja precisión de detección y dependencia del juicio subjetivo. En este estudio, los defectos superficiales de los flejes de acero se detectan mediante un método clásico de red neuronal convolucional que se mejora mediante el uso de un modelo de aprendizaje por transferencia. Este modelo tiene las ventajas de un tiempo de entrenamiento más corto, una convergencia más rápida y unos parámetros de peso más precisos. El modelo de aprendizaje por transferencia obtenido mediante experimentos asegura mejores resultados en la detección de defectos que el método clásico de red neuronal convolucional, ya que su precisión de entrenamiento y prueba ha alcanzado cerca del 98%. Por último, se propone un modelo basado en una red neuronal convolucional completa (FCN) para segmentar las zonas defectuosas de los flejes de acero.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:método clásico de red neuronal convolucional, modelo de aprendizaje por transferencia, flejes de acero, detección de defectos, defectos superficiales, red neuronal convolucional completa, parámetros de peso precisos, baja precisión de detección, menor tiempo de entrenamiento, modelo
• Keywords:classic convolutional neural network method, transfer learning model, steel strips, defect detection, surface defects, full convolutional neural network, accurate weight parameters, low detection accuracy, shorter training time, model