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

Sintesi Tecnica: Raggiungimento del 100% di Accuratezza nella Classificazione dei Difetti Superficiali dell'Acciaio Utilizzando una CNN Personalizzata ad Alte Prestazioni

Problematica
L'industria manifatturiera affronta sfide persistenti nel rilevamento dei difetti superficiali nei prodotti dell'acciaio, tra cui crepe (crazing), inclusioni, macchie (patches), superfici butterate (pitted surfaces), scaglie arrotolate (rolled-in scale) e graffi. Questi difetti portano a sprechi di materiale, riduzione della qualità del prodotto e aumento dei costi di produzione. Sebbene il deep learning, in particolare le Reti Neurali Convoluzionali (CNN), sia diventato l'approccio dominante per questo compito, il raggiungimento di una classificazione perfetta (accuratezza del 100%) sul benchmark standard NEU-CLS è rimasto un ostacolo significativo. Metodi precedenti allo stato dell'arte, inclusi approcci basati su attenzione con CNN superficiali, approcci basati su wavelet e architetture general-purpose come ResNet e VGG, hanno riportato accuratezze massime comprese tra il 99,67% e il 99,98%, ma non hanno ancora raggiunto un tasso di classificazione impeccabile su tutto il dataset.

Metodologia
Lo studio propone un'architettura CNN personalizzata ad alte prestazioni, progettata specificamente per il compito di classificazione dei difetti superficiali dell'acciaio a sei classi. La metodologia è strutturata come segue:

• Dataset: La ricerca utilizza il dataset NEU-CLS, composto da 1.800 immagini in scala di grigi (200 × 200 pixel) equamente distribuite tra sei classi di difetti (300 immagini per classe).
• Architettura del Modello: La rete proposta consiste in quattro strati convoluzionali con dimensioni dei filtri progressivamente crescenti, ciascuno seguito da Batch Normalization e MaxPooling. Questo design facilita la cattura di caratteristiche gerarchiche, che vanno dai bordi semplici ai pattern di difetto complessi. Dopo l'estrazione delle caratteristiche, le rappresentazioni vengono appiattite (flattened) ed elaborate attraverso tre strati completamente connessi (Dense). L'ultimo strato impiega una funzione di attivazione softmax per la classificazione a sei classi.
• Strategia di Addestramento: Il modello è addestrato utilizzando l'ottimizzatore Adam e la perdita di entropia incrociata categorica sparsa (sparse categorical cross-entropy). Per garantire la robustezza, vengono utilizzati i meccanismi di Early Stopping e ModelCheckpoint per preservare il miglior modello basato sull'accuratezza di validazione.
• Protocollo di Validazione: Per garantire la generalizzabilità ed evitare la dipendenza da specifici split train-test, lo studio impiega una validazione incrociata stratificata a 5 fold (5-fold stratified cross-validation). Il dataset viene suddiviso in cinque fold, mantenendo la distribuzione delle classi, con il modello addestrato su quattro fold e validato sul rimanente. Questo processo viene ripetuto cinque volte, con le metriche di prestazione mediate tra tutti i fold.

Contributi Chiave
Il contributo primario di questo lavoro è l'introduzione di un'architettura CNN specifica per il compito che raggiunge un nuovo stato dell'arte globale sul benchmark NEU-CLS. A differenza degli studi precedenti che si affidavano a modelli general-purpose o riportavano risultati di singola esecuzione, questo articolo dimostra che un'architettura personalizzata, accuratamente progettata, può superare costantemente i metodi esistenti. Gli autori rendono pubblici il codice e i modelli addestrati per garantire la piena riproducibilità di questi risultati.

Risultati
Il modello proposto ha dimostrato prestazioni eccezionali attraverso i fold della validazione incrociata:

• Prestazioni di Picco: In quattro dei cinque fold della validazione incrociata, il modello ha raggiunto il 100% di accuratezza, 100% di precisione, 100% di recall e 100% di F1-score.
• Prestazioni Medie: Il fold rimanente ha raggiunto il 99,44% di accuratezza, risultando in un'accuratezza media complessiva del 99,89% su tutti i fold.
• Validazione Visiva: La matrice di confusione di un fold rappresentativo ha mostrato 60 campioni classificati correttamente per classe con zero errori fuori diagonale. Allo stesso modo, le curve ROC per tutte e sei le classi hanno raggiunto un'Area Sotto la Curva (AUC) di 1,00, indicando una discriminazione perfetta delle classi.
• Confronto: Questi risultati superano il miglior risultato singolo precedentemente riportato del 99,98% (Improved VGG16) e i risultati medi di altri metodi come Shallow CNN + Attention (99,90%).

Significatività e Rivendicazioni
L'articolo sostiene che raggiungere il 100% di accuratezza in molteplici fold indipendenti di validazione incrociata rappresenti una pietra miliare significativa nell'ispezione industriale. Gli autori affermano che questo lavoro dimostra come un'architettura ben progettata e specifica per il compito possa sbloccare il pieno potenziale del deep learning per compiti industriali specializzati, superando i modelli general-purpose. La coerenza dei risultati attraverso più fold valida la robustezza e la capacità di generalizzazione dell'approccio proposto, anche dato il dataset relativamente piccolo del NEU-CLS. Gli autori concludono che questo traguardo stabilisce un nuovo record globale e dimostra l'efficacia di design di rete dedicati per il controllo qualità nella produzione.