Vizuální detekce anomálií v průmyslové výrobě

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.