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».
The article investigates the problem of multiclass classification of metal surface defects using deep learning methods. The primary approach employs a "one-vs-all" strategy, which effectively separates different defect classes. Initial analysis utilized the NEU dataset, comprising six defect categories. The resulting metrics were compared against existing solutions, after which the dataset was extended with an additional class from the "Severstal: Steel Defect Detection" dataset. Two convolutional neural network architectures were proposed, each tailored to the respective set of classes. The first architecture consists of five convolutional layers, five max-pooling layers, and two fully connected layers. The second architecture includes two additional layers: an extra convolutional layer and an additional max-pooling layer. Evaluation on the NEU dataset demonstrated high performance: the final model achieved an accuracy of 98.33 %, precision of 98.39 %, recall of 98.33 %, and an F1-score of 98.33 %. Analysis of the results showed that the proposed approach achieves performance comparable to other research results, and the proposed architectures are on par with state-of-the-art solutions. The model also exhibits good processing speed – up to 103 frames per second on the CPU – making it suitable for industrial deployment and enabling real-time defect detection. After extending the solution with the additional class, the model maintained strong performance, achieving an accuracy of 97.14 %, precision of 97.24 %, recall of 97.14 %, and an F1-score of 97.12 %, which suggests robustness and scalability of the proposed solution based on the "one-vs-all" approach.
The authors declare that there are no conflicts of interest present.