AI時代的工業管理趨勢和挑戰

鋼鐵為工業之母，其應用遍及國家建設至民生用品。而對於鋼鐵產業而言，產品表面瑕疵的檢測至關重要，因為瑕疵不僅影響外觀，更可能進一步損害產品性能。傳統的檢測方法多採用隨機抽樣與人工目視檢查，不僅效率低也存在高漏檢的風險，難以實現全面檢測。因此鋼鐵產業應採取深度學習自動化檢測手段，並透過即時檢測技術以達全檢的目標。然而深度學習模型需從大量樣本中學習特徵，但在實際工業現場，瑕疵樣本往往難以收集，若僅以少量樣本訓練模型，檢測效果可能不佳。因此本研究以熱軋鋼帶表面瑕疵資料集NEU-DET為例，利用漸進式生成對抗網路（PGGAN）增加樣本的多樣性，並結合傳統資料增強方法，模擬工業環境中各種瑕疵影像場景，進一步擴增樣本數量，最後通過即時物件偵測模型Realtime Detection Transformer（RT-DETR）進行瑕疵檢測。本研究實驗結果顯示，經PGGAN增強後可以有效提升模型的檢測績效，模型準確度達到89.8%，結合傳統資料增強後，更進一步提升準確度到91.4%，顯示出資料增強在熱軋鋼帶瑕疵檢測任務中的關鍵性與有效性。