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

Résumé technique : Atteindre une précision de 100 % dans la classification des défauts de surface de l'acier à l'aide d'un CNN personnalisé à haute performance

Énoncé du problème
L'industrie manufacturière est confrontée à des défis persistants concernant la détection des défauts de surface des produits en acier, notamment le faïençage, les inclusions, les taches, les surfaces piquetées, les écailles de laminage et les rayures. Ces défauts entraînent un gaspillage de matériaux, une réduction de la qualité des produits et une augmentation des coûts de production. Bien que l'apprentissage profond, et particulièrement les réseaux de neurones convolutifs (CNN), soit devenu l'approche dominante pour cette tâche, atteindre une classification parfaite (précision de 100 %) sur le benchmark standard NEU-CLS est resté un obstacle majeur. Les méthodes de pointe précédentes, incluant les CNN peu profonds basés sur l'attention, les approches basées sur les ondelettes et les architectures à usage général comme ResNet et VGG, ont rapporté des précisions maximales allant de 99,67 % à 99,98 %, mais n'ont pas encore atteint un taux de classification sans faille sur l'ensemble du jeu de données.

Méthodologie
L'étude propose une architecture CNN personnalisée à haute performance, spécifiquement conçue pour la tâche de classification des défauts de surface de l'acier en six classes. La méthodologie est structurée comme suit :

• Jeu de données : La recherche utilise le jeu de données NEU-CLS, comprenant 1 800 images en niveaux de gris (200 × 200 pixels) réparties uniformément entre six classes de défauts (300 images par classe).
• Architecture du modèle : Le réseau proposé se compose de quatre couches convolutives avec des tailles de filtres augmentant progressivement, chacune suivie d'une normalisation par lots (Batch Normalization) et d'un pooling maximal (MaxPooling). Cette conception facilite la capture de caractéristiques hiérarchiques, allant des bords simples aux motifs de défauts complexes. Après l'extraction de caractéristiques, les représentations sont aplaties et traitées par trois couches entièrement connectées (Dense). La couche finale utilise une fonction d'activation softmax pour la classification en six classes.
• Stratégie d'entraînement : Le modèle est entraîné à l'aide de l'optimiseur Adam et d'une perte d'entropie croisée catégorielle creuse (sparse categorical cross-entropy). Pour garantir la robustesse, les mécanismes d'arrêt précoce (Early Stopping) et de sauvegarde du meilleur modèle (ModelCheckpoint) sont utilisés pour préserver le meilleur modèle basé sur la précision de validation.
• Protocole de validation : Pour garantir la généralisabilité et éviter la dépendance à des divisions spécifiques train-test, l'étude emploie une validation croisée stratifiée à 5 plis (5-fold). Le jeu de données est divisé en cinq plis, maintenant la distribution des classes, le modèle étant entraîné sur quatre plis et validé sur le cinquième restant. Ce processus est répété cinq fois, les mesures de performance étant moyennées sur tous les plis.

Principales contributions
La principale contribution de ce travail est l'introduction d'une architecture CNN spécifique à la tâche qui atteint un nouveau record mondial sur le benchmark NEU-CLS. Contra à les études précédentes qui reposaient sur des modèles à usage général ou rapportaient des résultats de passes uniques, cet article démontre qu'une architecture personnalisée et soigneusement conçue peut systématiquement surpasser les méthodes existantes. Les auteurs rendent le code et les modèles entraînés publics afin d'assurer la pleine reproductibilité de ces résultats.

Résultats
Le modèle proposé a démontré des performances exceptionnelles à travers les plis de validation croisée :

• Performance de pointe : Dans quatre des cinq plis de validation croisée, le modèle a atteint 100 % de précision, 100 % de précision (precision), 100 % de rappel (recall) et 100 % de score F1.
• Performance moyenne : Le pli restant a atteint 99,44 % de précision, résultant en une précision moyenne globale de 99,89 % sur l'ensemble des plis.
• Validation visuelle : La matrice de confusion pour un pli représentatif a montré 60 échantillons correctement classés par classe avec zéro erreur hors diagonale. De même, les courbes ROC pour les six classes ont atteint une aire sous la courbe (AUC) de 1,00, indiquant une discrimination de classe parfaite.
• Comparaison : Ces résultats surpassent le meilleur résultat de passe unique précédemment rapporté de 99,98 % (VGG16 amélioré) ainsi que les résultats moyens d'autres méthodes comme le CNN peu profond + Attention (99,90 %).

Signification et affirmations
L'article affirme que l'obtention d'une précision de 100 % dans plusieurs plis de validation croisée indépendants représente un jalon important dans l'inspection industrielle. Les auteurs soutiennent que ce travail prouve qu'une architecture dédiée et bien conçue peut libérer tout le potentiel de l'apprentissage profond pour les tâches industrielles spécialisées, surpassant les modèles à usage général. La cohérence des résultats à travers plusieurs plis valide la robustesse et la capacité de généralisation de l'approche proposée, malgré la taille relativement réduite du jeu de données NEU-CLS. Les auteurs concluent que cette réussite établit un nouveau record mondial et démontre l'efficacité des conceptions de réseaux dédiés pour le contrôle qualité dans la fabrication.