Применение глубокого обучения с подходом «один против всех» для задачи многоклассовой классификации дефектов металлических поверхностей

В статье исследуется задача многоклассовой классификации дефектов металлических поверхностей с использованием методов глубокого обучения. В качестве основного подхода применяется стратегия «один против всех», позволяющая эффективно разделять различные классы дефектов. Для первоначального анализа использовался датасет «NEU», который включал в себя 6 классов повреждений. Полученные оценки качества классификации сравнивались с другими существующими решениями, после чего набор данных был дополнен одним классом из датасета «Severstal: Steel Defect Detection». Предложены две архитектуры сверточных нейронных сетей, каждая из которых была адаптирована под соответствующие классы. Первая архитектура включает в себя 5 сверточных слоев, 5 слоев максимизирующей подвыборки и 2 полносвязных слоя. Вторая содержит на 2 слоя больше: дополнительный сверточный слой и слой максимизирующей подвыборки. Тестирование на данных датасета «NEU» показало высокую эффективность: доля правильных ответов итоговой модели достигает 98,33 %, точность – 98,39 %, полнота – 98,33 % и F1-мера – 98,33 %. Анализ результатов показал, что предложенный подход продемонстрировал эффективность, сравнимую с результатами из других исследований, а предложенные архитектуры не уступают современным решениям. Модель демонстрирует хорошую скорость обработки, до 103 кадров в секунду на центральном процессоре, что делает ее применимой в производстве, позволяя обнаруживать повреждения в реальном времени. После добавления дополнительного класса доля правильных ответов стала равна 97,14 %, точность – 97,24 %, полнота – 97,14 % и F1-мера – 97,12 %, что указывает на устойчивость и масштабируемость предложенного решения на основе подхода «one-vs-all».

1. Lee S.Yo., Tama B.A., Moon S.Ju., Lee S. Steel Surface Defect Diagnostics Using Deep Convolutional Neural Network and Class Activation Map. Applied Sciences. 2019;9(24). https://doi.org/10.3390/app9245449

2. Юнани Д.Л., Медведев М.В., Кирпичников А.П. Классификация дефектов стали при помощи метода переноса обучения. Вестник технологического университета. 2019;22(7):174–178.

3. Fu G., Zhang Z., Le W., et al. A Multi-Scale Pooling Convolutional Neural Network for Accurate Steel Surface Defects Classification. Frontiers in Neurorobotics. 2023;17. https://doi.org/10.3389/fnbot.2023.1096083

4. Han O.C., Kutbay U. Detection of Defects on Metal Surfaces Based on Deep Learning. Applied Sciences. 2025;15(3). https://doi.org/10.3390/app15031406

5. Ayon S.T.K., Siraj F.M., Uddin J. Steel Surface Defect Detection Using Learnable Memory Vision Transformer. Computers, Materials & Continua. 2025;82(1):499–520. https://doi.org/10.32604/cmc.2025.058361

6. Wang Sh., Xia X., Ye L., Yang B. Automatic Detection and Classification of Steel Surface Defect Using Deep Convolutional Neural Networks. Metals. 2021;11(3). https://doi.org/10.3390/met11030388

7. Luo Q., Fang X., Su J., et al. Automated Visual Defect Classification for Flat Steel Surface: A Survey. IEEE Transactions on Instrumentation and Measurement. 2020;69(12):9329–9349. https://doi.org/10.1109/TIM.2020.3030167

8. Li Q., Luo Zh., Chen H., Li Ch. An Overview of Deeply Optimized Convolutional Neural Networks and Research in Surface Defect Classification of Workpieces. IEEE Access. 2022;10:26443–26462. https://doi.org/10.1109/ACCESS.2022.3157293

9. Prihatno A.T., Utama I.B.K.Yo., Kim Ju.Yo., Jang Y.M. Metal Defect Classification Using Deep Learning. In: Proceedings of the 2021 Twelfth International Conference on Ubiquitous and Future Networks (ICUFN), 17–20 August 2021, Jeju Island, Korea. IEEE; 2021. P. 389–393. https://doi.org/10.1109/ICUFN49451.2021.9528702

10. Konovalenko I., Maruschak P., Brezinová J., Viňáš J., Brezina J. Steel Surface Defect Classification Using Deep Residual Neural Network. Metals. 2020;10(6). https://doi.org/10.3390/met10060846

11. Konovalenko I.V., Maruschak P.O. Classification of the Surface Technological Defects in Rolled Metal Products with the Help of a Deep Neural Network. Materials Science. 2021;56(6):779–788. https://doi.org/10.1007/s11003-021-00495-5

12. Zhu P., Dai Ju., Chang H., Xu Ya., Zhang Zh. DenseNet Network-Based Surface Defect Detection Algorithm for Strip Steel. International Journal of Frontiers in Engineering Technology. 2022;4(10):34–40. https://doi.org/10.25236/IJFET.2022.041006

13. Chaudhry N.Ja., Khan M.B., Iqbal M.Ja., Yasir S.M. Modeling & Evaluating the Performance of Convolutional Neural Networks for Classifying Steel Surface Defects. Journal of Artificial Intelligence. 2022;4(4):245–259. https://doi.org/10.32604/jai.2022.038875

14. Mamun A.M.A., Hossain R., Sharmin M.M. Detection and Classification of Metal Surface Defects Using Lite Convolutional Neural Network (LCNN). Material Science & Engineering International Journal. 2024;8(3):72–75.

15. Dabkowski P., Gal Ya. Real Time Image Saliency for Black Box Classifiers. In: NIPS'17: Proceedings of the 31st International Conference on Neural Information Processing Systems, 04–09 December 2017, Long Beach, CA, USA. New York: Curran Associates, Inc.; 2017. P. 6967–6976.