Vizuální detekce anomálií v průmyslové výrobě
Loading...
Date
Authors
Lukaszczyk, Jakub
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Práce se zabývá detekcí anomálií v obrazových datech pořízených na průmyslovém výrobku. V první části je nastíněna problematika a přístupy k jejímu řešení pomocí hlubokého učení. Dále jsou rozebrány některé z používaných architektur, které lze pro tuto úlohu použít. V praktické části je poté popsána platforma pro průmyslovou inspekci, použitý software a tvorba vlastního anotovaného datasetu. Poskytnutý software je rozšířen o funkcionalitu pro ovládání platformy a práci s více kamerami. Poslední část se zabývá experimenty, jejichž cílem je zjistit vliv datasetu na výsledný model a odhad jeho výkonnosti. Experimenty vyhodnocují vliv jak v trénovací, tak i v testovací fázi.
This work deals with the detection of anomalies in image data taken on an industrial product. The first part outlines the problem and approaches to its solution using deep learning. Then, some of the architectures that can be used for this task are discussed. The practical part then describes the platform for industrial inspection, the software used and the creation of the annotated dataset. The software is extended with features for controlling the platform and working with multiple cameras. The last section deals with experiments designed to investigate the effect of the dataset on the resulting model and the estimation of its performance. The experiments evaluate the influence in both training and testing phases.
This work deals with the detection of anomalies in image data taken on an industrial product. The first part outlines the problem and approaches to its solution using deep learning. Then, some of the architectures that can be used for this task are discussed. The practical part then describes the platform for industrial inspection, the software used and the creation of the annotated dataset. The software is extended with features for controlling the platform and working with multiple cameras. The last section deals with experiments designed to investigate the effect of the dataset on the resulting model and the estimation of its performance. The experiments evaluate the influence in both training and testing phases.
Description
Citation
LUKASZCZYK, J. Vizuální detekce anomálií v průmyslové výrobě [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
prof. Dr. Ing. Alexandr Štefek, Dr. (předseda)
prof. Ing. Pavel Václavek, Ph.D. (místopředseda)
Ing. Martin Čala, Ph.D. (člen)
Ing. Jaroslav Lepka, Ph.D. (člen)
Ing. Tomáš Macho, Ph.D. (člen)
Ing. Radek Štohl, Ph.D. (člen)
Ing. Karel Horák, Ph.D. (člen)
Date of acceptance
2023-06-07
Defence
Student obhájil diplomovou/bakalářskou práci. Komise neměla žádné námitky k řešené práci. V průběhu odborné rozpravy odpověděl na dotazy oponenta. Komise se doptávala, jak student vymezil defektní sušenku, kterou ve své práci detekoval. Student popsal různé typy anomálií, které vypovídaly o defektu sušenky. Další dotaz komise cílil na velikost a realizaci datové sady, na které student učil neuronovou síť. Student do podrobna objasnil, jakým způsobem pořizoval datovou sadu. Další dotaz komise se zabýval anomáliemi náplně sušenky. Student vysvětlil, že takovou sušenku považoval za bezproblémovou a naučená neuronová síť takto i sušenku klasifikovala. Následně se komise doptávala na použitý HW pro učení sítě. Student tento dotaz opět odpověděl a dospecifikoval jak velikost vzorku na daném HW ovlivnila dobu učení.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení