A machine vision system for quality inspection on cold rolled steel

Quality assurance is a critical point in steel industry for the production of cold-rolled metal sheets. Indeed, accurate defect detection plays a crucial role in shaping the reputation and competitiveness of the companies. This thesis presents an innovative vision system based on neural networks for assessing the surface quality of cold-rolled steel sheets. The objective of this research is to develop a system for automatic defect detection to be implemented on a real production line. Multiclass and binary defect classifications are performed by training different neural network architectures so to compare their accuracies and prediction times. In particular, five architectures are tested: EfficientNetB0, EfficientNetB6, EfficientNetV2L, MobileNet and VGG16. Multiclass classification shows better results when using EfficientNetB6, which reaches an accuracy of 97,7%. Binary classification has in general better results than multiclass case. Indeed, when employing EfficientNetB0, an accuracy of 99,6% can be achieved. Anomaly detection is also implemented by using adversarial autoencoders. These models reach in the best case an accuracy of 84,2%. Despite having lower accuracies than other convolutional neural networks, adversarial autoencoders give interesting metrics for the evaluation of the entity of defects. This study places a particular emphasis on the role of illumination. By illuminating the steel sheets from various angulations, it is possible to enhance different defects. In this work, images are acquired by lighting the scene with a direct diffused illumination in bright field and with a grazing light in dark field. Then they are stacked, thus creating a fused multiple-channels image. This format synthetizes in a single datum the information highlighted by each illumination technique. This work demonstrates that in general the networks trained using multiple-channels images reach higher accuracies than models trained on standard 3-channels images.

Il controllo qualità è un elemento fondamentale nell’industria dell’acciaio per la produzione di lamiere laminate a freddo. Un accurato rilevamento dei difetti gioca un ruolo cruciale nella formazione dell’immagine e della competitività aziendale. Questa tesi presenta un sistema di visione innovativo basato su reti neurali per la certificazione della qualità superficiale di lamiere d’acciaio laminate a freddo. L’obiettivo di questa ricerca consiste nello sviluppo di un sistema automatico per il rilevamento di difetti da implementare in un esistente impianto di produzione. La classificazione multiclasse e binaria dei difetti è stata eseguita addestrando diverse reti neurali in modo da comparare le loro accuratezze e i tempi di predizione necessari. In particolare, vengono testate cinque architetture: EfficientNetB0, EfficientNetB6, EfficientNetV2L, MobileNet e VGG16. La rete migliore nel caso di classificazione multiclasse è la EfficientNetB6, che raggiunge un’accuratezza del 97,7%. La classificazione binaria ha in genere risultati migliori rispetto al caso multiclasse. Infatti, impiegando una rete EfficientNetB0, si può ottenere un’accuratezza del 99,6%. Il rilevamento delle anomalie è stato implementato utilizzando anche modelli di “adversarial autoencoder” con un’accuratezza massima del 84,2%. Nonostante abbiano accuratezze inferiori rispetto ad altre reti neurali, questi modelli forniscono delle metriche interessanti per valutare l’entità dei difetti. Questo studio pone un’attenzione particolare al ruolo dell’illuminazione. Illuminando le lamiere da varie angolazioni è possibile rilevare difetti differenti. In questo lavoro le immagini vengono acquisite illuminando la scena con una luce diretta diffusa in campo chiaro e con una luce radente in campo scuro. Le immagini vengono poi impilate in modo tale da creare un’immagine multicanale. Questo formato sintetizza in un unico dato le informazioni dei difetti evidenziate da ciascuna tecnica di illuminazione. Questo lavoro dimostra che in generale le reti addestrate utilizzando immagini multicanale raggiungono accuratezze più elevate rispetto ai modelli addestrati con comuni immagini a tre canali.