Achieving 100% Accuracy in Steel Surface Defect Classification Using a Custom High-Performance CNN

Technisches Resümee: Erreichen einer Genauigkeit von 100 % bei der Klassifizierung von Stahloberflächenfehlern mittels eines maßgeschneiderten Hochleistungs-CNN

Problemstellung
Die Fertigungsindustrie steht vor anhaltenden Herausforderungen bei der Erkennung von Oberflächenfehlern in Stahlprodukten, einschließlich Rissbildung, Einschlüssen, Flecken, Lochfraß, eingerolltem Zunder und Kratzern. Diese Defekte führen zu Materialverschwendung, reduzierter Produktqualität und erhöhten Produktionskosten. Obwohl Deep Learning, insbesondere Convolutional Neural Networks (CNNs), zur dominierenden Methode für diese Aufgabe geworden ist, blieb das Erreichen einer perfekten Klassifizierung (100 % Genauigkeit) auf dem Standard-NEU-CLS-Benchmark eine signifikante Hürde. Vorherige State-of-the-Art-Methoden, einschließlich auf Attention basierender flacher CNNs, Wavelet-basierter Ansätze sowie allgemeiner Architekturen wie ResNet und VGG, berichteten über maximale Genauigkeiten im Bereich von 99,67 % bis 99,98 %, haben jedoch noch keine fehlerfreie Klassifizierungsrate über den gesamten Datensatz hinweg erreicht.

Methodik
Die Studie schlägt eine maßgeschneiderte, hochleistungsfähige CNN-Architektur vor, die speziell für die sechs-Klassen-Aufgabe der Klassifizierung von Stahloberflächenfehlern entwickelt wurde. Die Methodik ist wie folgt strukturiert:

• Datensatz: Die Forschung nutzt den NEU-CLS-Datensatz, bestehend aus 1.800 Graustufenbildern (200 × 200 Pixel), die gleichmäßig auf sechs Defektklassen verteilt sind (300 Bilder pro Klasse).
• Modellarchitektur: Das vorgeschlagene Netzwerk besteht aus vier Convolutional-Schichten mit progressiv zunehmenden Filtergrößen, von denen jede von Batch Normalization und MaxPooling gefolgt wird. Dieses Design erleichtert die Erfassung hierarchischer Merkmale, die von einfachen Kanten bis hin zu komplexen Defektmustern reichen. Nach der Merkmalsextraktion werden die Repräsentationen geglättet (flattened) und durch drei vollvernetzte (Dense) Schichten verarbeitet. Die letzte Schicht verwendet eine Softmax-Aktivierungsfunktion für die Sechs-Klassen-Klassifizierung.
• Trainingsstrategie: Das Modell wird mit dem Adam-Optimizer und dem Sparse-Categorical-Cross-Entropy-Loss trainiert. Um Robustheit zu gewährleisten, werden Early Stopping und ModelCheckpoint-Mechanismen eingesetzt, um das beste Modell basierend auf der Validierungsgenauigkeit zu bewahren.
• Validierungsprotokoll: Um die Generalisierbarkeit zu garantieren und eine Abhängigkeit von spezifischen Train-Test-Splits zu vermeiden, verwendet die Studie eine 5-fache stratifizierte Kreuzvalidierung. Der Datensatz wird in fünf Folds unter Beibehaltung der Klassendistribution unterteilt, wobei das Modell auf vier Folds trainiert und am verbleibenden Fold validiert wird. Dieser Prozess wird fünfmal wiederholt, wobei die Leistungsmetriken über alle Folds gemittelt werden.

Wesentliche Beiträge
Der primäre Beitrag dieser Arbeit ist die Einführung einer aufgabenspezifischen CNN-Architektur, die einen neuen globalen Stand der Technik (State-of-the-Art) auf dem NEU-CLS-Benchmark erreicht. Im Gegensatz zu früheren Studien, die sich auf allgemeine Modelle stützten oder Einzelergebnisse meldeten, zeigt diese Arbeit, dass eine sorgfältig entwickelte, maßgeschneiderte Architektur konsequent bestehende Methoden übertreffen kann. Die Autoren stellen den Code und die trainierten Modelle öffentlich zur Verfügung, um die vollständige Reproduzierbarkeit dieser Ergebnisse zu gewährleisten.

Ergebnisse
Das vorgeschlagene Modell zeigte eine außergewöhnliche Leistung über die Kreuzvalidierungs-Folds hinweg:

• Spitzenleistung: In vier von fünf Kreuzvalidierungs-Folds erreichte das Modell eine Genauigkeit (Accuracy), Präzision (Precision), Sensitivität (Recall) und einen F1-Score von jeweils 100 %.
• Durchschnittliche Leistung: Der verbleibende Fold erreichte eine Genauigkeit von 99,44 %, was zu einer Gesamtdurchschnittsgenauigkeit von 99,89 % über alle Folds führte.
• Visuelle Validierung: Die Konfusionsmatrix eines repräsentativen Folds zeigte 60 korrekt klassifizierte Stichproben pro Klasse bei null Off-Diagonal-Fehlern. Ähnlich erreichten die ROC-Kurven für alle sechs Klassen eine Fläche unter der Kurve (AUC) von 1,00, was eine perfekte Klassentrennung anzeigt.
• Vergleich: Diese Ergebnisse übertreffen das bisher beste berichtete Einzelergebnis von 99,98 % (verbessertes VGG16) sowie die Durchschnittsergebnisse anderer Methoden wie Shallow CNN + Attention (99,90 %).

Bedeutung und Ansprüche
Die Arbeit behauptet, dass das Erreichen von 100 % Genauigkeit in mehreren unabhängigen Kreuzvalidierungs-Folds einen bedeutenden Meilenstein in der industriellen Inspektion darstellt. Die Autoren führen aus, dass diese Arbeit beweist, dass eine gut konstruierte, aufgabenspezifische Architektur das volle Potenzial des Deep Learning für spezialisierte industrielle Aufgaben freisetzen kann, indem sie allgemeine Modelle übertrifft. Die Konsistenz der Ergebnisse über mehrere Folds hinweg validiert die Robustheit und die Generalisierungsfähigkeit des vorgeschlagenen Ansatzes, selbst angesichts der relativ geringen Größe des NEU-CLS-Datensatzes. Die Autoren kommen zu dem Schluss, dass diese Errungenschaft einen neuen globalen Rekord setzt und die Effektivität dedizierter Netzwerkdesigns für die Qualitätskontrolle in der Fertigung demonstriert.