دانشگاه یزد پژوهش های نظری و کاربردی هوش ماشینی 2821-2029 3 2 2025 11 22 Detection of Steel Bilayer Defects Using Artificial Neural Networks: A Machine Vision and Deep Learning Approach تشخیص دو پوسته بودن فولاد با شبکه‌های عصبی مصنوعی: رویکردی مبتنی بر بینایی ماشین و یادگیری عمیق 35 52 3952 10.22034/abmir.2025.23565.1159 FA مصطفی مجیدی شرکت توسعه فولاد آلیاژی ایرانیان، یزد، ایران 0009-0000-9784-7133 سیدامیر مکی‌نژادسانیج واحد فناوری اطلاعات، شرکت فولاد آلیاژی ایران، یزد، ایران 0009-0007-8290-2807 Journal Article 2025 08 22 n this study, a novel approach is presented for the automatic detection of delamination defects in steel rebar using artificial neural networks and computer vision techniques. The delamination defect, which occurs due to the separation of a thin surface layer of steel during the rolling process, can lead to a reduction in mechanical properties and potential failure of the final product. Traditional inspection methods, which are typically manual and time-consuming, face significant challenges such as human error and low processing speed. In this research, a machine vision–based system was implemented immediately after the rolling process to identify delamination defects. The system employs three industrial Basler cameras positioned at 120° intervals, along with controlled xenon lighting, enabling continuous and synchronized imaging with the movement of the production line. In the initial stage, image preprocessing techniques, including normalization and segmentation, were applied to enhance image quality. Subsequently, several deep learning models were trained to classify and detect delamination defects. Evaluation of the models on real production-line data demonstrated that the MobileNet model achieved the highest accuracy of 91.25%, outperforming the other models under investigation. The obtained results indicate that the proposed system possesses industrial deployment capability and can serve as an effective and reliable alternative to traditional visual inspection methods. در این مقاله رویکردی نوین برای تشخیص خودکار عیب دوپوستگی در میلگردهای فولادی با استفاده از شبکه‌های عصبی مصنوعی و تکنیک‌های بینایی ماشین ارائه‌شده است. عیب دوپوستگی که به‌دلیل جدا شدن لایه‌ای نازک از سطح فولاد در فرآیند نورد ایجاد می‌شود، می‌تواند منجر به کاهش خواص مکانیکی و شکست محصول نهایی گردد. روش‌های سنتی بازرسی که اغلب به‌صورت دستی و زمان‌بر هستند با چالش‌هایی مانند خطای انسانی و سرعت پایین مواجه‌اند. در این پژوهش سامانه‌ای مبتنی بر بینایی ماشین پس از فرایند نورد، جهت تشخیص دوپوستگی قرار داده‌شده است. این سامانه شامل سه دوربین صنعتی با زاویه ۱۲۰ درجه و نورپردازی کنترل‌شده است که امکان تصویربرداری پیوسته و همگام با حرکت خط تولید را فراهم می‌کند. در مرحله اول از تکنیک‌های پیش‌پردازش تصویر نظیر نرمال‌سازی و قطعه‌بندی برای بهبود کیفیت تصویر استفاده‌شده است. سپس مدل‌های یادگیری عمیق، برای طبقه‌بندی و شناسایی عیب دوپوستگی آموزش داده‌شده‌اند. نتایج ارزیابی مدل‌ها بر روی داده‌های واقعی خط تولید نشان داد که مدل MobileNet با دستیابی به دقت 25/91 درصد، بهترین عملکرد را در میان مدل‌های مورد بررسی داشته است. نتایج به دست آمده بیانگر این است که سامانه پیشنهادی از قابلیت استقرار صنعتی برخوردار بوده و می‌تواند به‌عنوان جایگزینی مؤثر برای روش‌های سنتی بازرسی عمل کند. https://abmir.yazd.ac.ir/article_3952_66fb3a7333a1a9f0810d73b83c016845.pdf