Identification de la qualité des roues de pompes submergées en utilisant la méthode des réseaux de neurones convolutifs «CNN»

Abstract

La présence de défauts dans les processus de fabrication des roues de pompes submergées en acier est inévitable, et pour y remédier, les usines ont toujours eu recours au contrôle humain, qui consiste à vérifier chaque roue produite à l'aide de méthodes manuelles qui ne sont pas toujours très précises. Ce constat nous a incités à rechercher de meilleurs moyens de diminuer les coûts de perte de production en faisant appel à l'IA et à l'apprentissage profond (Deep Learning). Ce travail de mémoire prévoit la construction d'un modèle de classification basé sur des techniques d'apprentissage profond (Deep Learning). Pour ce faire, nous appliquerons les modèles des réseaux de neurones convolutifs, notamment le modèle CNN simple, le modèle VGG16 et l'apprentissage par transfert, mais également la méthode Grad-Cam permettant de reconnaître et de classer correctement les roues en bon état et les roues présentant des défauts. Au cours de notre étude, nous démontrerons la capacité des modèles « CNN » à classifier les roues de pompes en se basant sur le contenu de leurs images crues, qui fait l'objet de la présente étude.