الكلاسيفيكатор التلقائي: كاشف عيوب قوي يعتمد على رأس تلقائي لـ AutoML

النهج السائد في كشف العيوب السطحية هو استخدام الأساليب القائمة على السمات المُصممة يدويًا. ومع ذلك، فإن هذا النهج يفشل عندما تتغير الظروف التي تؤثر على الصور المستخرجة. لذا، في هذا البحث، قمنا بدراسة مدى أداء عدة شبكات عصبية تلافيفية حديثة (Convolutional Neural Networks) في مهمة كشف العيوب السطحية. بالإضافة إلى ذلك، نقترح طريقتين: الأولى هي CNN-Fusion، التي تدمج تنبؤات جميع الشبكات لإنتاج نتيجة نهائية، والثانية هي Auto-Classifier، وهي اقتراح جديد يُحسّن أداء الشبكة العصبية التلافيفية من خلال تعديل مكون التصنيف باستخدام تقنيات التعلم الآلي التلقائي (AutoML). أجرينا تجارب لتقييم الطرق المقترحة في مهمة كشف العيوب السطحية باستخدام مجموعات بيانات مختلفة من مجموعة DAGM2007. ونُظهر أن استخدام الشبكات العصبية التلافيفية يحقق نتائج أفضل من الأساليب التقليدية، كما أن Auto-Classifier يتفوق على جميع الطرق الأخرى، حيث حقق دقة 100% وقيمة AUC تبلغ 100% عبر جميع مجموعات البيانات.