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

Resumo Técnico: Alcançando 100% de Acurácia na Classificação de Defeitos de Superfície de Aço Usando uma CNN Customizada de Alto Desempenho

Declaração do Problema
A indústria manufatureira enfrenta desafios persistentes na detecção de defeitos de superfície em produtos de aço, incluindo fissuras (crazing), inclusões, manchas, superfícies picadas, escamas incorporadas e arranhões. Esses defeitos levam ao desperdício de material, redução da qualidade do produto e aumento dos custos de produção. Embora o aprendizado profundo, particularmente as Redes Neurais Convolucionais (CNNs), tenha se tornado a abordagem dominante para esta tarefa, alcançar uma classificação perfeita (100% de acurácia) no benchmark padrão NEU-CLS tem sido um obstáculo significativo. Métodos anteriores de estado da arte, incluindo CNNs rasas baseadas em atenção, abordagens baseadas em wavelet e arquiteturas de uso geral como ResNet e VGG, reportaram acurácias máximas variando de 99,67% a 99,98%, mas ainda não alcançaram uma taxa de classificação impecável em todo o conjunto de dados.

Metodologia
O estudo propõe uma arquitetura de CNN customizada e de alto desempenho, projetada especificamente para a tarefa de classificação de defeitos de superfície de aço em seis classes. A metodologia é estruturada da seguinte forma:

• Conjunto de Dados: A pesquisa utiliza o conjunto de dados NEU-CLS, composto por 1.800 imagens em tons de cinza (200 × 200 pixels) distribuídas uniformemente entre seis classes de defeitos (300 imagens por classe).
• Arquitetura do Modelo: A rede proposta consiste em quatro camadas convolucionais com tamanhos de filtro progressivamente crescentes, cada uma seguida por Batch Normalization e MaxPooling. Este design facilita a captura de características hierárquicas, que variam de bordas simples a padrões de defeitos complexos. Após a extração de características, as representações são achatadas (flattened) e processadas através de três camadas totalmente conectadas (Dense). A camada final utiliza uma função de ativação softmax para classificação de seis classes.
• Estratégia de Treinamento: O modelo é treinado utilizando o otimizador Adam e perda de entropia cruzada categórica esparsa (sparse categorical cross-entropy). Para garantir a robustez, os mecanismos de Early Stopping e ModelCheckpoint são utilizados para preservar o melhor modelo com base na acurácia de validação.
• Protocolo de Validação: Para garantir a generalização e evitar a dependência de divisões específicas de treino-teste, o estudo emprega validação cruzada estratificada de 5 dobras (5-fold). O conjunto de dados é dividido em cinco dobras, mantendo a distribuição das classes, com o modelo sendo treinado em quatro dobras e validado na restante. Este processo é repetido cinco vezes, com as métricas de desempenho sendo calculadas pela média de todas as dobras.

Principais Contribuições
A principal contribuição deste trabalho é a introdução de uma arquitetura de CNN específica para a tarefa que alcança um novo estado da arte global no benchmark NEU-CLS. Diferente de estudos anteriores que dependeram de modelos de uso geral ou reportaram resultados de execução única, este artigo demonstra que uma arquitetça customizada, cuidadosamente projetada, pode consistentemente superar os métodos existentes. Os autores disponibilizam o código e os modelos treinados publicamente para garantir a total reprodutibilidade destes resultados.

Resultos
O modelo proposto demonstrou um desempenho excepcional através das dobras de validação cruzada:

• Desempenho de Pico: Em quatro das cinco dobras de validação cruzada, o modelo alcançou 100% de acurácia, 100% de precisão, 100% de recall e 100% de F1-score.
• Desempenho Médio: A dobra restante alcançou 99,44% de acurácia, resultando em uma acurácia média global de 99,89% em todas as dobras.
• Validação Visual: A matriz de confusão de uma dobra representativa mostrou 60 amostras classificadas corretamente por classe com zero erros fora da diagonal. Da mesma forma, as curvas ROC para todas as seis classes atingiram uma Área Sob a Curva (AUC) de 1,00, indicando uma discriminação de classe perfeita.
• Comparação: Estes resultados superam o melhor resultado de execução única previamente reportado de 99,98% (VGG16 Melhorada) e os resultados médios de outros métodos, como Shallow CNN + Attention (99,90%).

Significância e Alegações
O artigo afirma que alcançar 100% de acurácia em múltiplas dobras independentes de validação cruzada representa um marco significativo na inspeção industrial. Os autores sustentam que este trabalho prova que uma arquitetura dedicada e específica para a tarefa pode desbloquear o potencial total do aprendizado profundo para tarefas industriais especializadas, superando modelos de uso geral. A consistência dos resultados através de múltiplas dobras valida a robustez e a capacidade de generalização da abordagem proposta, mesmo dado o tamanho relativamente pequeno do conjunto de dados NEU-CLS. Os autores concluem que este feito estabelece um novo recorde global e demonstra a eficácia de designs de rede dedicados para o controle de qualidade na manufatura.