Automatická kontrola kvality výrobku z obrazu

Abstract

Cílem této práce je vytvořit postupy pro celkovou, automatickou a bezdotykovou kontrolu kvality výrobku (diabolky). Problém kontroly je rozdělen na dvě části. První část je přesné měření rozměrů diabolky - její délka a průměr hlavičky tak, aby toto měření bylo přesné a dostatečně rychlé. Takového měření je dosaženo pomocí algoritmů pracujících se sub-pixelovou přesností pomocí aproximace gradientů polynomy. V druhé části je kontrola vad diabolky jako jsou podélné rýhy či vrypy v sukýnce (smajlíci), a to za pomocí konvolučních neuronových sítí. Výsledkem jsou měřící moduly pracující s přesností do 0,025 mm v případě měření délky a do 0,01 mm při měření hlavičky. V detekci vad diabolek, vykazuje neuronová síť velmi vysokou úspěšnosti klasifikace. Přínosem této práce je prezentace inovativních přístupů v automatické kontrole kvality výrobků za použití neuronových sítí, demonstrace jejich použití a využití v reálné výrobě.The goal of this thesis is to create overall, automatic and non-contact quality control of a pellet. The issue is divided into two separate parts. The first part deals with precise dimensional measuring of pellet - its length and head diameter so that it is precise and reasonably fast. Precise measuring is achieved with help of algorithms which achieve the sub-pixel precision by polynomial approximation of the edges extracted from the image gradients. The second part deals with the defects of a pellet. Detecting defects like longitudinal furrows or skirt cuts is achieved with convolutional neural networks. The measurement modules work with the resulting precision up to 0.025 mm in case of length measuring and up to 0.01 mm in case of head diameter measuring. In case of defect detections, neural network shows very high classification success rate. The contribution of this thesis is a presentation of innovative approaches in automatic quality control of pellets with use of neural networks and a demonstration of its usage in real manufacturing process.