Zastosowanie metod sztucznej inteligencji (AI) w procesach produkcji stali

Obrazy defektów powierzchniowych

W pracy [4], na bazie uzyskanych danych oraz wyników udostępnionych przez Northeastern University [7], zaprezentowano a także dokładnie opisano zbiór obrazów defektów powierzchniowych w taśmach stalowych po walcowaniu. Procedura utworzenia zbioru danych i obrazów defektów stanowiła trzy etapy i wyglądała następująco. Po etapie chłodzenia laminarnego zastosowano cztery kamery CCD do wykonania i archiwizacji obrazów powierzchni taśmy stalowej poruszającej się z prędkością kilku metrów na sekundę. Następnie przy użyciu algorytmu projekcji szarości ze zbioru obrazów usunięto obrazy niewskazujące występowania żadnych defektów. Ostatecznie w etapie trzecim procesu powstał zbiór obrazów defektów powierzchniowych w taśmach stalowych. Zawiera on 1800 obrazów w skali szarości. Obrazy zostały podzielone na 6 kategorii po 300 obrazów w każdej i wskazujący następujące defekty powierzchniowe: zawalcowania zgorzeliny (ang. rolled-in scale), łuski powierzchniowe (ang. patches), spękania na powierzchni (ang. crazing), wżery na powierzchni (ang. pitted surface), wtrącenia (ang. inclusions) a także rysy powierzchniowe (ang. scratches).

Obrazy poszczególnych rodzajów analizowanych defektów zostały zaprezentowane na rys. 2. Uzyskany zbiór był wielokrotnie używany do trenowania systemów uczenia maszynowego, opisanych między innymi w pracach: 4, 8, 9 i 10.

Zastosowanie konwolucyjnych sieci neuronowych

W pracy [8] zasugerowano, że w rzeczywistych warunkach przemysłowych na jakość klasyfikacji wyrobów stalowych metodami obrazowania analitycznego mają wpływ różnego rodzaju warunki zewnętrzne, takie jak na przykład niejednorodne oświetlenie powierzchni, szumy kamery czy też aparatu fotograficznego oraz rozmycie obrazu w ruchu. W celu wzięcia pod uwagę wyżej wymienionych warunków procesu autorzy zastosowali sztuczną modyfikację zdjęć. Korzystając z metody uczenia maszynowego, możliwe było osiągnięcie 100% dokładności klasyfikacji jakości dla zbioru bez modyfikacji oraz 97,5% dla zbioru ze sztucznie wprowadzonymi dodatkowymi efektami występującymi w rzeczywistych warunkach produkcyjnych. Dlatego też, zwłaszcza ten ostatni wynik daje bardzo duże nadzieje na zastosowanie metod uczenia maszynowego i sztucznej inteligencji w procesach stalowniczych.

Z kolei w pracy [9] wykorzystano konwolucyjne sieci neuronowe wraz z mapami aktywacji klas. W ten sposób udało się nie tylko przypisać obrazy do danego typu defektów. Udało się też w dużym przybliżeniu zlokalizować obszary ich występowania na zdjęciach. Należy jednak zaznaczyć, że mapy aktywacji klas nie są metodą niezawodną do określenia położenia defektów. Bardziej odpowiednie podejście do lokalizacji defektów na zdjęciach zostało zaprezentowane w pracy [10], gdzie zastosowano trzy sieci neuronowe różnego typu, a mianowicie konwolucyjną sieć neuronową, sieć fuzji cech a także sieć detektorową.

W innej publikacji badacze hiszpańscy [11] skupili się na wykorzystaniu sztucznej inteligencji AI do oceny efektywności procesu usuwania zgorzeliny przed walcowaniem na gorąco. Bezpośrednio za urządzeniem likwidującym zgorzelinę został zainstalowany aparat fotograficzny wykonujący zdjęcia. Dzięki nim porównano zdolność dwóch typów uczenia głębokiego (DL – ang. deep learning) w realizacji tego zadania. W obu przypadkach osiągnięto wysoką dokładność przewidywania na poziomie 96-97%.

Rozwój uczenia maszynowego w inżynierii materiałowej w Polsce

Problematyka zastosowania uczenia maszynowego w inżynierii materiałowej jest również intensywnie rozwijana w Polsce. W tym między innymi w Centrum Doskonałości Materiałów Wielofunkcyjnych NOMATEN funkcjonującym w Narodowym Centrum Badań Jądrowych. W Centrum Doskonałości NOMATEN zastosowano między innymi metodę analizy głównych składowych (ang. principal component analysis − PCA) do wyznaczenia granicy plastyczności na podstawie danych z cyfrowej korelacji obrazu [12, 13], czy też użyto grafowych sieci neuronowych (ang. graph neural networks − GNN) w celu przewidywania nanotwardości poszczególnych ziaren w mikrostrukturze stali nierdzewnej 310S [14].

Na potrzeby niniejszego artykułu przeanalizowaliśmy zbiór danych związany z procesem kontroli jakości defektów powierzchniowych w taśmach stalowych [7]. Do analizy zastosowany został model uczenia maszynowego składający się z ekstraktora cech, warstwy łączącej a także w pełni połączonej warstwy klasyfikującej. Ekstraktor cech jest głęboką konwolucyjną siecią neuronową i pochodzi z wcześniej wytrenowanego modelu EfficientNET v2 S [15] zaimplementowanego w bibliotece PyTorch [16]. Zbiór NEU-CLS został podzielony na zbiór treningowy (60%) i testowy (40%). Uczenie trwało pięć epok przy użyciu funkcji straty entropii krzyżowej, optymalizatora Adam z szybkością uczenia 1E-5 i regularyzacji L2. Przedstawione wyniki dotyczą uśrednienia po wielokrotnym uruchomieniu modelu. Wyniki klasyfikacji przedstawia tablica pomyłek na rys. 3.

Galeria

Zobacz więcej