Vizuální detekce anomálií předfiltrů sacích modulů hlubokým učením bez učitele

Abstract

Metody hlubokého učení bez učitele dokážou detekovat anomálie učením se vzorců výhradně z normálních, neanomálních dat. V průmyslu, kde jsou anomální data vzácná, má tento přístup potenciál zejména při vizuální detekci vad na vyrobených dílech. Tato práce se zaměřuje na souhrn metod pro detekci anomálií obrazu pomocí hlubokého učení bez učitele, s hlavním cílem vyvinout vlastní řešení pro detekci vad na sériově vyráběném plastovém předfiltru. Pro zajištění robustního trénování a hodnocení modelů je shromážděna rozsáhlá datová sada, obsahující normální i anomální snímky předfiltru. Snímky vad jsou dále ručně anotovány s cílem vytvořit binární masky k vyhodnocení přesnosti na úrovni pixelů. Vyvinuty jsou dva modely. První model je autorův vlastní autoenkodér, založen na přímé rekonstrukci obrazu, a druhý model upravuje existující architekturu založenou na rekonstrukci příznaků. Přesnost modelů je posouzena na úrovni klasifikace obrázků i pixelů. Model s nejlepšími výsledky je implementován pro další experimentální testování.Unsupervised deep learning methods can detect anomalies by learning patterns exclusively from normal, non-anomalous data. In industry, where anomalous data are rare, this approach is particularly promising for visual defect detection on manufactured parts. This thesis provides an overview of image anomaly detection methods using unsupervised deep learning, with the primary goal of developing a custom solution for detecting defects on a mass-produced plastic pre-filter. To ensure robust training and evaluation of the models, an extensive dataset of both normal and anomalous pre-filter images is collected. The anomalous images are then annotated to create binary masks for pixel-level evaluation. Two models are developed. The first model is an author's custom autoencoder based on direct image reconstruction, and second is a modified feature reconstruction model built on an existing architecture. The accuracy of the models is evaluated both at the image classification and at the pixel level. The best performing model is implemented for further experimental testing.