L’étude a utilisé deux méthodes d’évaluation, à savoir la validation croisée K-Fold et le test de validation de la formation, pour évaluer les performances du réseau formé. Dans la validation croisée K-Fold, l’ensemble de données a été divisé en dix plis, et dix modèles ont été formés et validés. Les résultats ont révélé des valeurs de précision moyenne (AP50) constamment élevées pour les différentes classes, allant de 0,986 à 0,998. L’approche Train-Validation-Test a consisté à diviser l’ensemble de données en ensembles de formation, de validation et de test. Le modèle le plus performant sur l’ensemble de validation a été sélectionné, puis évalué sur l’ensemble de test. Comme pour la validation croisée K-Fold, les résultats ont montré des valeurs AP50 remarquables pour les classes, allant de 0,977 à 0,997. En outre, la précision globale, le rappel et le score F1 étaient également impressionnants, avec des valeurs de 0,92, 0,99 et 0,95, respectivement. Pour valider davantage les performances de l’ensemble du cadre, des échantillons vidéo ont été utilisés.
Les valeurs de précision et de rappel pour chaque classe sont respectivement de 0,987 et 0,982. En outre, la capacité du cadre à suivre les objets a été évaluée et a donné un taux de réussite de 0,994. Ces résultats soulignent collectivement les capacités exceptionnelles du cadre en matière de détection et de suivi d’objets. En outre, l’étude a examiné les performances du cadre dans une usine réelle pendant la phase de production. Une comparaison a été faite entre les prédictions du cadre pour la classe des soudures manquées et les rapports de contrôle de qualité réels de la chaîne de production. Cette évaluation a utilisé une matrice de confusion pour évaluer la précision du cadre. Sur une période de 17 jours ouvrables, les performances globales du cadre ont été rapportées, y compris les nombres prédits et rapportés de soudures manquées. La précision a été calculée à 0,888. Ces résultats fournissent des indications précieuses sur l’efficacité du cadre dans la détection des soudures manquées au cours de la phase de production.
Cette recherche apporte des contributions significatives tant dans le domaine universitaire que dans celui de l’industrie. Dans le domaine universitaire, elle fait progresser la détection des défauts basée sur l’apprentissage profond en introduisant un cadre complet pour la surveillance et la classification en temps réel des nœuds soudés dans les poutrelles en acier. Cette nouvelle approche permet non seulement d’améliorer la précision de la détection, mais aussi de relever des défis pratiques, tels que le suivi et le temps de traitement, qui sont cruciaux pour les applications du monde réel. Le développement de techniques de post-traitement enrichit la compréhension académique de l’amélioration de la précision de la prédiction dans des applications similaires. Dans l’industrie, cette recherche offre une solution qui change la donne pour le contrôle de la qualité de la préfabrication. En intégrant de manière transparente le matériel, les logiciels et les techniques d’apprentissage automatique, elle fournit un moyen pratique et efficace de détecter les soudures manquantes en usine. La précision exceptionnelle obtenue grâce à des algorithmes avancés d’apprentissage profond et à un réglage fin établit une nouvelle norme industrielle pour le contrôle de la qualité du soudage. Les enseignements tirés de la mise en œuvre et de la validation du cadre dans un environnement de production servent également de guide précieux pour les professionnels de l’industrie qui cherchent à adopter des technologies similaires pour améliorer leurs processus de contrôle de la qualité.
