Použití metod strojového učení pro bezkontaktní detekci periodických událostí na výrobní lince

Abstract

Tato diplomová práce představuje návrh a ověření neinvazivního systému pro detekci výrobních cyklů s využitím radarových a kamerových senzorů. Navržené řešení automaticky identifikuje opakující se vzory v datech časových řad za účelem detekce průchodů výrobků výrobními stanovišti. Důraz byl kladen na širokou použitelnost, která umožňuje nasazení v různorodých výrobních prostředích bez nutnosti úprav hardwaru, zásahu technika nebo nové certifikace systému. Kompletní řešení – zahrnující sběr dat, zpracování signálu, modelování vzoru a vyhodnocení – bylo implementováno a ověřeno na reálných datech z průmyslového prostředí, přičemž prokázalo vysokou robustnost, přizpůsobivost a praktickou využitelnost.This thesis presents the design and validation of a non-invasive system for detecting manufacturing cycles using radar and camera sensors. The proposed solution automatically identifies recurring patterns in time series data to detect product passages through production stations. Emphasis was placed on general applicability, enabling deployment across diverse manufacturing environments without requiring hardware modifications, technician intervention, or system re-certification. The complete pipeline—covering data acquisition, signal processing, pattern modeling, and evaluation—was implemented and validated on real-world industrial data, demonstrating high robustness, adaptability, and practical viability.