SteelQC-VGG：一种基于深度学习的质量控制系统，用于钢铁制造中自动化表面缺陷的识别与分类

《JOURNAL OF INTELLIGENT MANUFACTURING》：SteelQC-VGG: a deep learning-driven quality control system for automated surface defect classification in steel manufacturing

　　钢铁表面缺陷的深度学习自动化检测系统研究，通过数据增强、自适应阈值等技术优化模型，对比CNN、ResNet、AsNet及增强VGG19架构，定制VGG19模型实现99.87%高精度，有效提升工业4.0环境下的质量管控效率与成本效益。

　　

摘要

钢铁产品中的缺陷会显著影响其质量、结构完整性和耐久性。为了实现工业4.0的目标，本研究开发了一种自动化系统，能够准确识别和分类钢铁表面的缺陷，从而提高整体的制造质量和效率。传统的手动缺陷分类过程效率低下且具有主观性，容易出错且耗时较长。通过解决这一实际工业难题，本研究重点采用了深度学习算法，特别是卷积神经网络（CNN），来自动化和改进制造业的质量控制流程，这种技术在现实工业环境中具有广泛的应用潜力。本研究的主要目标是创建一个可靠的钢铁缺陷分类系统，并实现以下几个具体目标：通过几何变换（如旋转）来增强数据集，以提高模型的泛化能力；运用自适应阈值技术实现精确的缺陷定位；以及实现并评估多种深度学习模型，包括基本的CNN、残差网络（ResNet）、自适应采样网络（AsNet）和改进版的视觉几何组19（VGG19）架构。通过准确率、F1分数和召回率等指标进行综合评估，确保了对系统有效性的全面考量。此外，所开发的系统展示了其在实际应用中的可行性和高效性，能够对多种钢铁缺陷情况进行分类，从而提升制造质量并降低运营成本。我们定制的VGG19模型通过增加额外层实现了卓越的性能，准确率达到了99.87%。本研究展示了深度学习在制造业中的实际应用，特别是利用VGG19模型来优化钢铁缺陷分类和质量控制流程。研究结果表明，这在制造效率和产品质量保障方面带来了显著提升，同时凸显了该模型未来集成到实时制造流程中的潜力以及深度学习技术的进一步发展前景。