Automatizace videoextenzometrů s využitím metod umělé inteligence
Loading...
Date
Authors
Leinweber, Vít
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract
Tato diplomová práce se zabývá automatizací použití videoextenzometrů s využitím metod umělé inteligence, a to konkrétně implementací vhodného algoritmu pro rozpoznání typu měřeného vzorku a umístění vhodného softwarového nástroje do správné polohy na vzorek v reálném čase. V teoretické části práce je popsána digitální korelace obrazu, počítačové vidění se zaměřením na rozpoznávání objektů v obraze a strojové učení se zaměřením na hluboké konvoluční neuronové sítě a jejich architektury pro detekci objektů v obraze. Na základě poznatků z teoretické části práce je zvolen algoritmus YOLOv8 jako nejvhodnější pro klasifikaci typu vzorku a určení jeho polohy v reálném čase. V praktické části práce je pomocí databáze výrobce videoextenzometrů vytvořen dataset obsahující tři typy těles určených k detekci. Tento dataset je dále rozšířen o vlastní snímky vzorků a augmentován. Zvolený algoritmus je pomocí vytvořeného datasetu trénován, optimalizován a testován. V rámci optimalizace je použit genetický algoritmus a náhodné prohledávání prostoru hyperparametrů. Nejlepší natrénované modely algoritmu YOLOv8 jsou navzájem porovnány na dvou testovacích množinách, a je vybrán nejlepší z nich. Dále je popsána práce s tímto modelem jako detektorem integrovaným do příslušného softwaru pro práci s videoextenzometry. Na závěr je navržen postup na korekci vlivu nezarovnaných vzorků na snímcích vstupujících do detektoru.
This thesis deals with the automation of the use of video extensometers using artificial intelligence methods, specifically the implementation of a suitable algorithm for the recognition of the type of sample to be measured and the placement of a suitable software tool in the correct position on the sample in real-time. The theoretical part of the thesis describes digital image correlation, computer vision with a focus on object recognition, and machine learning with a focus on deep convolutional neural networks and their architectures for object detection. Based on the findings from the theoretical part of the work, the YOLOv8 algorithm is chosen as the most suitable algorithm for classifying the type of sample and determining its location in real-time. In the practical part of the thesis, a dataset containing three types of samples is created using the database of video extensometer manufacturer. The dataset is extended with images containing samples to be detected and augmented. The selected algorithm is trained, optimized, and tested using the created dataset. A genetic algorithm and a random search of the hyperparameter space are used in the optimization process. The best trained models of the YOLOv8 algorithm are compared with each other on two test sets and the best one is selected. Furthermore, the work with this algorithm as a detector integrated into the corresponding software for working with video extensometers is described. Finally, a method for correcting the effect of potential misalignment of samples in the images entering the detector is proposed.
This thesis deals with the automation of the use of video extensometers using artificial intelligence methods, specifically the implementation of a suitable algorithm for the recognition of the type of sample to be measured and the placement of a suitable software tool in the correct position on the sample in real-time. The theoretical part of the thesis describes digital image correlation, computer vision with a focus on object recognition, and machine learning with a focus on deep convolutional neural networks and their architectures for object detection. Based on the findings from the theoretical part of the work, the YOLOv8 algorithm is chosen as the most suitable algorithm for classifying the type of sample and determining its location in real-time. In the practical part of the thesis, a dataset containing three types of samples is created using the database of video extensometer manufacturer. The dataset is extended with images containing samples to be detected and augmented. The selected algorithm is trained, optimized, and tested using the created dataset. A genetic algorithm and a random search of the hyperparameter space are used in the optimization process. The best trained models of the YOLOv8 algorithm are compared with each other on two test sets and the best one is selected. Furthermore, the work with this algorithm as a detector integrated into the corresponding software for working with video extensometers is described. Finally, a method for correcting the effect of potential misalignment of samples in the images entering the detector is proposed.
Description
Citation
LEINWEBER, V. Automatizace videoextenzometrů s využitím metod umělé inteligence [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2024.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Inženýrská mechanika
Comittee
prof. Ing. Jan Vimmr, Ph.D. (předseda)
prof. Ing. Luboš Náhlík, Ph.D. (místopředseda)
prof. Ing. Jindřich Petruška, CSc. (člen)
prof. Ing. Jiří Burša, Ph.D. (člen)
prof. RNDr. Michal Kotoul, DrSc. (člen)
doc. Ing. Stanislav Věchet, Ph.D. (člen)
prof. Ing. Jaroslav Zapoměl, DrSc. (člen)
prof. Ing. Pavel Hutař, Ph.D. (člen)
doc. Ing. Tomáš Návrat, Ph.D. (člen)
Ing. László Iván, Ph.D. (člen)
Date of acceptance
2024-06-11
Defence
Při obhajobě student nejprve prezentoval svoji diplomovou práci, následně byly přečteny posudky a student odpovídal na dotazy oponenta. Poté členové komise položili následující dotazy k diplomové práci:
Jak ve vašem případě definujete "real-time"?
Při měření detekujete současně vzorek i scénu?
Jaké specifické techniky augmentace byly použity?
Posuzujete v práci vliv jednotlivých hyperparametrů na výkonnost jednotlivých modelů?
Jak vypadala použitá trénovací data pro YOLOv8?
Nepřicházelo by v úvahu použít konvoluční neuronové sítě?
Jak jste získal křivku prokládající data ve vašem obrázku [v prezentaci]? Jak se vyhodnocovala přesnost proložení?
Komise na neveřejném zasedání obhajobu zhodnotila známkou A (výborně).
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení