Menggunakan Xception, Transfer Learning, dan Permutasi untuk Meningkatkan Klasifikasi Ketidaksempurnaan Permukaan Baja
Using Xception, Transfer Learning, and Permutation to Improve the Classification of Steel Surface Imperfections
DOI:
https://doi.org/10.57152/malcom.v4i1.1258Keywords:
Permutasi augmentasi, Pembelajaran mendalam, Cacat baja, Pembelajaran Transfer, XceptionAbstract
Kualitas permukaan baja yang diproduksi sangat penting untuk meningkatkan daya saing dalam industri baja. Tingginya tingkat cacat pada permukaan baja merupakan masalah serius yang berdampak pada kualitas keluaran. Pengendalian yang masih dilakukan secara manual dan visual saat ini hanya dapat dilakukan oleh orang-orang dengan bakat dan keahlian tertentu. Pengamatan dengan metode konvensional ini memerlukan waktu yang lama, lamban, dan presisi yang rendah. Saat ini, perkembangan teknik pembelajaran mendalam memungkinkan deteksi cacat permukaan baja secara otomatis dengan tingkat akurasi yang tinggi. Arsitektur Xception digunakan dalam pekerjaan ini untuk menerapkan strategi pembelajaran mendalam. Teknik permutasi dan augmentasi digunakan untuk mengatasi ketidakseimbangan data. Model yang dikembangkan dapat membedakan empat jenis cacat pada permukaan baja. Koleksi 7.095 foto permukaan baja digunakan dalam prosedur pelatihan. Jika dibandingkan dengan tidak menggunakan transfer learning, hasil pengukuran kinerja proses pelatihan dengan menggunakan transfer learning (Imagenet) menunjukkan hasil yang lebih baik. Pelatihan pembelajaran transfer menghasilkan skor akurasi masing-masing sebesar 94,9% dan 97,7% untuk data pelatihan dan validasi. Sedangkan hasil penilaian nilai kerugian untuk data latih dan validasi masing-masing sebesar 19,4% dan 14,4%.
References
N. Shahrubudin, TC Lee, dan R. Ramlan, “Tinjauan tentang Teknologi Pencetakan 3D: Teknologi, Material, dan Aplikasi,” Procedia Manuf. , jilid. 35, hal. 1286–1296, 2019, doi: https://doi.org/10.1016/j.promfg.2019.06.089.
F.Shang dkk. , “Pengaruh kepadatan volume energi laser pada ketahanan aus dan ketahanan korosi lapisan baja paduan 30Cr15MoY yang dibuat dengan deposisi logam langsung laser,” Surf. Teknologi Pelapisan. , jilid. 421, hal. 127382, 2021, doi: https://doi.org/10.1016/j.surfcoat.2021.127382.
C. Luo dkk. , “Deteksi kerusakan secara otonom pada beberapa permukaan baja dari panorama 360° menggunakan jaringan saraf dalam,” Comput. sipil. Infrastruktur. bahasa Inggris , jilid. 36, tidak. 12, hlm. 1585–1599, Desember 2021, doi: https://doi.org/10.1111/mice.12686.
W. Hastomo, N. Aini, A. Satyo, B. Karno, dan LMR Rere, “Metode Pembelajaran Mesin untuk Memprediksi Emisi Manure Management,” vol. 11, tidak. 2, hlm.131–139, 2022.
W. Hastomo, “Klasifikasi Rontgen Dada Covid-19 Dengan Tiga Arsitektur Cnn (Resnet-152, Inceptionresnet-V2, Mobilenet-V2),” vol. 5, tidak. Dll, 2021.
W. Hastomo, A. Satyo, B. Karno, dan N. Kalbuana, “Parameter Karakteristik Epoch Deep Learning untuk Memprediksi Data Covid-19 di Indonesia,” 2021, doi: 10.1088/1742-6596/1933/1 /012050.
Y. Chen, H. Yi, C. Liao, P. Huang, dan Q. Chen, “Pengukuran visual kekasaran permukaan penggilingan berdasarkan model Xception dengan jaringan saraf konvolusional,” Pengukuran , vol. 186, hal. 110217, 2021, doi: https://doi.org/10.1016/j.measurement.2021.110217.
C. Öztürk, M. Ta?yürek, dan MU Türkdamar, “Analisis efektivitas metode pembelajaran transfer dan pembelajaran transfer yang disempurnakan dalam model pembelajaran mendalam berbasis CNN,” Concurr. Hitung. Praktek. Contoh. , jilid. 35, tidak. 4, hal. e7542, Februari 2023, doi: https://doi.org/10.1002/cpe.7542.
T. Wang, C. Zhang, Z. Hao, A. Monti, dan F. Ponci, “Deteksi dan isolasi kesalahan berbasis data di microgrid DC tanpa data kesalahan sebelumnya: Pendekatan pembelajaran transfer,” Appl. Energi , jilid. 336, hal. 120708, 2023, doi: https://doi.org/10.1016/j.apenergy.2023.120708.
B. Shang, G. Luo, M. Li, Y. Liu, dan J. Hei, “Mentransfer lokasi kesalahan berbasis pembelajaran dengan kumpulan data kecil di VSC-HVDC,” Int. J.Listrik. Sistem Energi Tenaga. , jilid. 151, hal. 109131, 2023, doi: https://doi.org/10.1016/j.ijepes.2023.109131.
S. Dong, J. Xiao, X. Hu, N. Fang, L. Liu, dan J. Yao, “Pembelajaran transfer mendalam berdasarkan Bi-LSTM dan perhatian untuk prediksi sisa masa manfaat bantalan gelinding,” Reliab . bahasa Inggris sistem. Saf. , jilid. 230, hal. 108914, 2023, doi: https://doi.org/10.1016/j.ress.2022.108914.
Y. Zhang, Q. Cheng, Y. Liu, dan Z. Liu, “Estimasi arus lalu lintas spatio-temporal skala penuh untuk jaringan seluruh kota: pendekatan berbasis pembelajaran transfer,” Transp. B Transp. Dyn. , jilid. 11, tidak. 1, hlm.869–895, Desember 2023, doi: 10.1080/21680566.2022.2143453.
DA Bierbrauer, MJ De Lucia, K. Reddy, P. Maxwell, dan ND Bastian, “Pembelajaran transfer untuk deteksi lalu lintas jaringan mentah,” Expert Syst. Aplikasi. , jilid. 211, hal. 118641, 2023, doi: https://doi.org/10.1016/j.eswa.2022.118641.
M. Huang, J. Yin, S. Yan, dan P. Xue, “Metode diagnosis kesalahan bantalan berdasarkan pembelajaran transfer mendalam,” Simul. Model. Praktek. Teori , jilid. 122, hal. 102659, 2023, doi: https://doi.org/10.1016/j.simpat.2022.102659.
H. Budiawan, Djohan, dan P. Sittiprapaporn, “Anagram Technique: The Investigation of Tonal Music into New Frequencies for Composition,” pada Konferensi Internasional Gabungan 2023 tentang Seni Digital, Media dan Teknologi dengan ECTI Northern Section Conference on Electrical, Teknik Elektronika, Komputer dan Telekomunikasi (ECTI DAMT & NCON) , 2023, hlm.312–316. doi: 10.1109/ECTIDAMTNCON57770.2023.10139380.
MB Begum, N. Deepa, M. Uddin, R. Kaluri, M. Abdelhaq, dan R. Alsaqour, “Teknik kompresi yang efisien dan aman untuk perlindungan data menggunakan algoritma transformasi burrows-wheeler,” Heliyon , vol. 9, tidak. 6, hal. e17602, 2023, doi: 10.1016/j.heliyon.2023.e17602.
X. Tao, D. Zhang, W. Ma, X. Liu, dan D. Xu, “Deteksi dan Pengenalan Cacat Permukaan Logam Otomatis dengan Jaringan Syaraf Konvolusional,” Ilmu Terapan , vol. 8, tidak. 9. 2018. doi: 10.3390/app8091575.
A. Boudiaf, S. Benlahmidi, K. Harrar, dan R. Zaghdoudi, “Klasifikasi Cacat Permukaan pada Gambar Strip Baja menggunakan Jaringan Neural Konvolusi dan Mesin Vektor Pendukung,” J. Fail. Dubur. Sebelumnya , jilid. 22, tidak. 2, hal.531–541, 2022, doi: 10.1007/s11668-022-01344-6.
J. Li, Z. Su, J. Geng, dan Y. Yin, “Deteksi Cacat Permukaan Strip Baja Secara Real-time Berdasarkan Peningkatan Jaringan Deteksi YOLO,” IFAC-PapersOnLine , vol. 51, tidak. 21, hlm. 76–81, 2018, doi: https://doi.org/10.1016/j.ifacol.2018.09.412.
S. Floryanzia dkk. , “Pengujian disintegrasi ditambah dengan teknologi Computer Vision,” Int. J.Pharm. , jilid. 619, hal. 121668, 2022, doi: https://doi.org/10.1016/j.ijpharm.2022.121668.
K. Wu, J. Tan, dan C. Liu, “Pendekatan Pembelajaran Few-Shot Lintas-Domain untuk Klasifikasi Cacat Permukaan Baterai Lithium-Ion Menggunakan Jaringan Siam yang Lebih Baik,” IEEE Sens. J. , vol. 22, tidak. 12, hal. 11847–11856, 2022, doi: 10.1109/JSEN.2022.3161331.
S. Geng, Q. Luo, K. Liu, Y. Li, Y. Hou, dan W. Long, “Status penelitian dan prospek pembelajaran mesin dalam pencetakan 3D konstruksi,” Case Stud. Konstruksi Materi. , jilid. 18, hal. e01952, 2023, doi: https://doi.org/10.1016/j.cscm.2023.e01952.
B. Xi, J. Li, Y. Li, R. Song, D. Hong, dan J. Chanussot, “Pembelajaran Sedikit dengan Metrik Kovariansi Kelas untuk Klasifikasi Gambar Hiperspektral,” IEEE Trans. Proses Gambar. , jilid. 31, hal.5079–5092, 2022, doi: 10.1109/TIP.2022.3192712.
X. Wang dkk. , “SSA-Net: Jaringan perhatian mandiri spasial untuk segmentasi infeksi pneumonia COVID-19 dengan pembelajaran beberapa kali semi-supervisi,” Med. Gambar Anal. , jilid. 79, hal. 102459, 2022, doi: https://doi.org/10.1016/j.media.2022.102459.
A. Holkar, R. Walambe, dan K. Kotecha, “Pembelajaran Few-Shot untuk pengenalan wajah dengan adanya perbedaan gambar untuk kumpulan data kelas jamak terbatas,” Image Vis. Hitung. , jilid. 120, hal. 104420, 2022, doi: https://doi.org/10.1016/j.imavis.2022.104420.
Kranti Kumar, “Deteksi Cacat Baja,” kaggle.com , 2019. https://www.kaggle.com/code/jagannathrk/steel-defect-detection
Y. Liu, Z. Li, Z. Huan, B. Zhou, S. Shen, dan S. Gao, “Pengenalan tindakan tidak seimbang setiap hari berdasarkan pembelajaran aktif,” Multimed. Aplikasi Alat. , 2023, doi: 10.1007/s11042-023-16181-4.
SE Whang, Y. Roh, H. Song, dan J.-G. Lee, “Pengumpulan data dan tantangan kualitas dalam pembelajaran mendalam: perspektif AI yang berpusat pada data,” VLDB J. , vol. 32, tidak. 4, hal.791–813, 2023, doi: 10.1007/s00778-022-00775-9.
W. Pinthurat, B. Hredzak, G. Konstantinou, dan J. Fletcher, “Teknik kompensasi kondisi tidak seimbang dalam jaringan distribusi LV dengan pembangkitan energi terbarukan terintegrasi: Gambaran umum,” Electr. Sistem Tenaga. Res. , jilid. 214, hal. 108932, 2023, doi: https://doi.org/10.1016/j.epsr.2022.108932.
AM Nagy dan L. Czúni, “Klasifikasi dan Pembelajaran Cepat tentang Cacat Permukaan Baja dengan Jaringan Acak,” Appl. Sains. , jilid. 12, tidak. 8, 2022, doi: 10.3390/aplikasi12083967.
NM AboElenein, P. Songhao, dan A. Afifi, “IRDNU-Net: Inception sisa padat bersarang u-net untuk segmentasi tumor otak,” Multimed. Aplikasi Alat. , jilid. 81, tidak. 17, hal. 24041–24057, 2022, doi: 10.1007/s11042-022-12586-9.
S. Shim, J. Kim, S.-W. Lee, dan G.-C. Cho, “Deteksi kerusakan jalan menggunakan pembelajaran resolusi super dan semi-supervisi dengan jaringan permusuhan generatif,” Autom. Konstruksi , jilid. 135, hal. 104139, 2022, doi: https://doi.org/10.1016/j.autcon.2022.104139.
A. Komijani, F. Vafaeinezhad, J. Khoramdel, Y. Borhani, dan E. Najafi, “Klasifikasi Multi-label Cacat Permukaan Baja Menggunakan Pembelajaran Transfer dan Transformator Visi,” pada Konferensi Internasional ke-13 tentang Informasi dan Pengetahuan tahun 2022 Teknologi (IKT) , 2022, hlm.1–5. doi: 10.1109/IKT57960.2022.10039038.
S. Wang, X. Xia, L. Ye, dan B. Yang, “Deteksi Cacat Permukaan Baja Menggunakan Pembelajaran Transfer dan Segmentasi Gambar,” pada Konferensi Internasional IEEE ke-6 tentang Komputer dan Komunikasi (ICCC) tahun 2020 , 2020, hal .420–425. doi: 10.1109/ICCC51575.2020.9345151.
H. Wu dan Q. Lv, “Inspeksi Permukaan Strip Baja Canai Panas Berdasarkan Model Pembelajaran Transfer,” J. Sensors , vol. 2021, hal. 6637252, 2021, doi: 10.1155/2021/6637252.
JL Yunani dan M. V Medvedev, “Pengenalan Cacat Baja Menggunakan Pembelajaran Mendalam,” pada Multi-Konferensi Internasional tentang Teknik Industri dan Teknologi Modern (FarEastCon) 2019 , 2019, hlm. doi: 10.1109/FarEastCon.2019.8933868.
M. Mayuravaani dan S. Manivannan, “A Semi-Supervised Deep Learning Approach for the Classification of Steel Surface Defects,” pada Konferensi Internasional ke-10 tentang Informasi dan Otomasi untuk Keberlanjutan (ICIAfS) tahun 2021 , 2021, hlm. . doi: 10.1109/ICIAfS52090.2021.9606143.
