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

Technische Samenvatting: Het bereiken van 100% nauwkeurigheid in de classificatie van oppervlaktefouten in staal met behulp van een aangepaste High-Performance CNN

Probleemstelling
De maakindustrie staat voor hardnekkige uitdagingen bij het detecteren van oppervlaktefouten in staalproducten, waaronder craquelé, insluitingen, vlekken, putjes, ingerold schilferen en krassen. Deze defecten leiden tot materiaalverspilling, verminderde productkwaliteit en verhoogde productiekosten. Hoewel deep learning, in het bijzonder Convolutionele Neurale Netwerken (CNN's), de dominante aanpak voor deze taak is geworden, blijft het bereiken van perfecte classificatie (100% nauwkeurigheid) op de standaard NEU-CLS benchmark een aanzienlijke hindernis. Eerdere state-of-the-art methoden, inclusief aandacht-gebaseerde ondiepe CNN's, wavelet-gebaseerde benaderingen en algemene architecturen zoals ResNet en VGG, hebben maximale nauwkeurigheden gerapporteerd variërend van 99,67% tot 99,98%, maar hebben nog geen foutloze classificatiesnelheid over de gehele dataset bereikt.

Methodologie
De studie stelt een aangepaste, high-performance CNN-architectuur voor die specifiek is ontworpen voor de zes-klasse classificatietaak van staaloppervlaktefouten. De methodologie is als volgt gestructureerd:

• Dataset: Het onderzoek maakt gebruik van de NEU-CLS dataset, bestaande uit 1.800 grijswaartafbeeldingen (200 × 200 pixels) die gelijkmatig verdeeld zijn over zes defectklassen (300 afbeeldingen per klasse).
• Modelarchitectuur: Het voorgestelde netwerk bestaat uit vier convolutionele lagen met progressief toenemende filtergroottes, elk gevolgd door Batch Normalisatie en MaxPooling. Dit ontwerp vergemakkelijkt het vastleggen van hiërarchische kenmerken, variërend van eenvoudige randen tot complexe defectpatronen. Na de extractie van kenmerken worden de representaties platgeslagen (flattened) en verwerkt door drie volledig verbonden (Dense) lagen. De laatste laag maakt gebruik van een softmax-activatiefunctie voor zes-klasse classificatie.
• Trainingsstrategie: Het model wordt getraind met de Adam-optimizer en sparse categorical cross-entropy loss. Om robuustheid te garanderen, worden Early Stopping en ModelCheckpoint mechanismen gebruikt om het beste model te bewaren op basis van validatienauwkeurigheid.
• Validatieprotocol: Om generaliseerbaarheid te garanderen en afhankelijkheid van specifieke train-test splits te voorkomen, maakt de studie gebruik van 5-voudige gestratificeerde kruisvalidatie. De dataset wordt verdeeld in vijf vouwen (folds), waarbij de klassenverdeling behouden blijft, waarbij het model wordt getraind op vier vouwen en gevalideerd wordt op de resterende één. Dit proces wordt vijf keer herhaald, waarbij de prestatiecijfers over alle vouwen worden gemiddeld.

Belangrijkste Bijdragen
De primaire bijdrage van dit werk is de introductie van een taakspecifieke CNN-architectuur die een nieuwe globale state-of-the-art bereikt op de NEU-CLS benchmark. In tegen tegenstelling tot eerdere studies die vertrouwden op algemene modellen of enkelvoudige run-resultaten rapporteerden, demonstreert dit artikel dat een zorgvuldig ontworpen, aangepaste architectuur consequent bestaande methoden kan overtreffen. De auteurs stellen de code en de getrainde modellen publiekelijk beschikbaar om de volledige reproduceerbaarheid van deze resultaten te waarborgen.

Resultaten
Het voorgestelde model vertoonde uitzonderlijke prestaties over de kruisvalidatie-vouwen:

• Piekprestatie: In vier van de vijf kruisvalidatie-vouwen behaalde het model 100% nauwkeurigheid, 100% precisie, 100% recall en 100% F1-score.
• Gemiddelde Prestatie: De resterende vouw behaalde 99,44% nauwkeurigheid, wat resulteerde in een algehele gemiddelde nauwkeurigheid van 99,89% over alle vouwen.
• Visuele Validatie: De verwarringsmatrix (confusion matrix) voor een representatieve vouw toonde 60 correct geclassificeerde monsters per klasse met nul off-diagonal fouten. Evenzo bereikten de ROC-curves voor alle zes de klassen een Area Under the Curve (AUC) van 1,00, wat duidt op perfecte klassediscriminatie.
• Vergelijking: Deze resultaten overtreffen het best gerapporteerde enkelvoudige run-resultaat van 99,98% (Verbeterde VGG16) en de gemiddelde resultaten van andere methoden zoals Shallow CNN + Attention (99,90%).

Betekenis en Claims
Het artikel beweert dat het bereiken van 100% nauwkeurigheid in meerdere onafhankelijke kruisvalidatie-vouwen een belangrijke mijlpaal vertegenwoordigt in de industriële inspectie. De auteurs stellen dat dit werk bewijst dat een goed ontworpen, taakspecifieke architectuur het volledige potentieel van deep learning voor gespecialiseerde industriële taken kan ontsluiten, waarbij algemene modellen worden overtroffen. De consistentie van de resultaten over meerdere vouwen valideert de robuustheid en het generalisatievermogen van de voorgestelde aanpak, zelfs gezien de relatief kleine omvang van de NEU-CLS dataset. De auteurs concluderen dat deze prestatie een nieuw wereldrecord vestigt en de effectiviteit van toegewijde netwerkontwerpen voor kwaliteitscontrole in de productie aantoont.