Αναγνώριση συγκεκριμένων επιφανειακών ελαττωμάτων χυτοπρεσσαριστών τεμαχίων με χρήση μηχανικής όρασης

Παπαγιάννη, Ζωή; Papagianni, Zoi

dc.contributor.author	Παπαγιάννη, Ζωή	el
dc.contributor.author	Papagianni, Zoi	en
dc.date.accessioned	2019-06-25T08:34:17Z
dc.date.available	2019-06-25T08:34:17Z
dc.date.issued	2019-06-25
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48903
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16620
dc.rights	Default License
dc.subject	Χύτευση	el
dc.subject	Μηχανική όραση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Κατηγοριοποίηση ελαττωμάτων	el
dc.subject	Die casting	en
dc.subject	Machine vision	en
dc.subject	Machine learning	en
dc.subject	Neural networks	en
dc.subject	Defect classification	en
dc.title	Αναγνώριση συγκεκριμένων επιφανειακών ελαττωμάτων χυτοπρεσσαριστών τεμαχίων με χρήση μηχανικής όρασης	el
heal.type	bachelorThesis
heal.classification	Κατεργασίες υλικών	el
heal.classificationURI	http://data.seab.gr/concepts/12ca5151411399c77d21d70b67b67a46b688b242
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-03-05
heal.abstract	Η χύτευση μηχανολογικών τεμαχίων με υψηλή πίεση γίνεται σε χυτόπρεσσες και έχει υψηλό ρυθμό παραγωγής. Ανάλογα με τον σχεδιασμό του κομματιού και τις διαδικασίες παραγωγής, τα χυτοπρεσσαριστά κομμάτια μπορεί να εμφανίσουν διάφορα ελαττώματα όπως συρρικνώσεις, πορώδες κλπ. τα οποία μπορεί να επηρεάσουν τις μηχανικές ιδιότητες τους. Το πρόβλημα της ανίχνευσης ελαττωμάτων σε χυτοπρεσσαριστά κομμάτια από κράμα αλουμινίου-μαγνησίου είναι σημαντικό και η αναγνώριση τους αποτελεί κρίσιμο παράγοντα στην εξασφάλιση της ποιότητας τους. Ο έλεγχος επιφανειακών ελαττωμάτων τυπικά γίνεται από εξειδικευμένο προσωπικό και είναι οπτικός. Προφανώς, λόγω του ανθρώπινου παράγοντα υπόκειται σε σφάλματα και αβλεψίες, είναι χρονοβόρος και έχει υψηλό κόστος. Ιδιαίτερα όταν πραγματοποιείται στα τελικά στάδια της παραγωγής όπως στο στάδιο της συσκευασίας. Υπάρχει, συνεπώς, ανάγκη για αυτοματοποίηση της διαδικασίας του μέσω συστημάτων μηχανικής όρασης. Στόχος αποτελεί η λήψη της εικόνας και η απόφαση να γίνει στον χρόνο που το ρομπότ μεταφέρει το κομμάτι από την χυτόπρεσσα στον κάδο μεταφοράς .Το κόστος της εφαρμογής είναι επιθυμητό να παραμείνει σε χαμηλά επίπεδα και ως εκ τούτου ο εξοπλισμός που χρησιμοποιείται είναι ευρείας χρήσης .Για την ανάπτυξη του αλγορίθμου κατασκευάστηκε ειδική βάση για τα κομμάτια καθώς και πάνελ φωτισμού στο πλαίσιο του εργαστηρίου της σχολής. Στη συγκεκριμένη διπλωματική εργασία προτείνεται μια μέθοδος η οποία χρησιμοποιεί τεχνικές επεξεργασίας εικόνων σε συνδυασμό με μια τροποποιημένη εκδοχή των αλγορίθμων ανίχνευσης ακμών. Για την σαφή αναγνώριση και ταξινόμηση των επιφανειακών ελαττωμάτων χρησιμοποιούνται συστήματα μηχανικής μάθησης. Συγκεκριμένα οι εικόνες μετασχηματίζονται με σκοπό να αποκτήσουν την ίδια θέση και προσανατολισμό και προ επεξεργάζονται με συνήθεις τεχνικές επεξεργασίας εικόνων όπως όξυνση, αύξηση της αντίθεσης, αφαίρεση παρασκήνιου. Στην συνέχεια, επιλέγονται στις προ επεξεργασμένες εικόνες οι περιοχές που γνωρίζουμε εμπειρικά ότι εμφανίζουν συχνότερα ελαττώματα. Από τις περιοχές αυτές αφαιρούμε περαιτέρω θορύβους και αδιάφορα στοιχεία και έπειτα, εξάγουμε στατιστικά δεδομένα καθώς και αλλά στοιχεία που προκύπτουν από τροποποιημένη ανίχνευση ακμών. Τα παραπάνω στοιχεία εισάγονται σε αλγορίθμους μηχανικής μάθησης. Στην παρούσα εργασία ερευνηθήκαν δυο μέθοδοι που χρησιμοποιούνται συνηθέστερα για την κατηγοριοποίηση και την αναγνώρισή μοτίβων, τα Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) και οι μηχανές διανυσμάτων υποστήριξης. Ειδικότερα, χρησιμοποιούνται τεχνητά νευρωνικά δίκτυα από το πακέτο της αναγνώρισης μοτίβων του MATLAB. Τα στοιχεία εισάγονται με διάφορους συνδυασμούς μεταβλητών στα ΤΝΔ με σκοπό την εύρεση της βέλτιστης αρχιτεκτονικής και υψηλότερου ποσοστού σωστής κατηγοριοποίησης. Από αυτούς επιλέχτηκαν οι καλύτεροι τέσσερις συνδυασμοί, οι οποίοι στην συνεχεία συγχωνεύτηκαν με σκοπό την καλύτερη κατηγοριοποίηση των τεμαχίων. Το καθένα από τα αντίστοιχα ΤΝΔ πετυχαίνει ποσοστό σωστής κατηγοριοποίησης πάνω από 90%. Επίσης, στην περίπτωση των Μηχανών Διανυσμάτων Υποστήριξής, δοκιμάστηκαν δυο συνδυασμοί μεταβλητών εισόδου. Το ποσοστό σωστής κατηγοριοποίησης που επιτεύχθηκε είναι ίσο με 90.4% και 88.6% αντίστοιχα. Η μέθοδος εφαρμόζεται σε πραγματικό χρόνο για την αυτόματη κατηγοριοποίηση κομματιών.	el
heal.abstract	The process of die casting takes place in hot-chamber machines, also known as gooseneck machines, and is characterized by fast cycle times. Depending on the part design and processing techniques, castings may develop surface irregularities and discontinuities such as shrinkage and porosity that greatly influence the material’s properties. The problem of surface defects in aluminium die casting is significant, and their detection is of paramount importance in maintaining product quality. Surface defects are typically inspected by humans and it’s usually visual. But due to the human aspect, this system is usually time-consuming, expensive and subject to errors and oversights. Especially when it is implemented in the final steps of the production such as the package process. Therefore, there is a need for automation of the inspection process through machine vision systems. In this application, the steps of image acquisition and decision are to be implemented during the transfer of the part by the robotic arm from the die casting machine to the container. It is desirable the cost of the application to remain low and therefore the equipment used is available to the average consumer. For the development of the algorithm we designed in the laboratory a special base for the positioning of the parts as well as a lighting panel for their illumination. In this Bachelor Thesis, the method proposed uses a machine vision system which involves the detection of surface defects in aluminum parts using image processing techniques in combination with an alternative method of edge detection. In addition, an advanced learning process has been developed to clearly identify and classify surface defects, based on feedforward neural networks used for pattern recognition. Specifically, the images are transformed in order to acquire the same position and rotation and then they are pre-processed with usual image processing techniques such as contrast enhancement, sharpening and background removal. Afterwards, in the preprocessed images, we define as regions of interest (ROIs) the areas where the defects typically appear. These regions are extracted and processed in order to eliminate noise. Next, we compute the statistical data as well as data derived from the modified edge detection. The above attributes are then used as input values for the machine learning algorithms developed. In the present study, we investigated two methods that are most commonly used for classification and pattern recognition, Artificial Neural Networks (ANN) and Support Vector Machines (SVM). In particular, the Neural Network Toolbox was used as a module of Matlab utilities. The input data is implemented in various combinations in the neural network in order to determine the optimum structure and higher positive recognition rate. Thus, the best four combinations were selected, which then were merged to better classify the parts. Each of them achieves a positive recognition rate of over 90%. Furthermore, in the case of the Support Vector Machined, two combinations of input variables were tested. The positive recognition rate that was achieved is equal with 90.4% and 88.6% respectively. Τhe previous method was implemented in real time to automatically detect defects and classify new parts.	en
heal.advisorName	Βοσνιάκος, Γεώργιος - Χριστόφορος	el
heal.committeeMemberName	Μπενάρδος, Πανώριος	el
heal.committeeMemberName	Μαρκόπουλος, Άγγελος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Τεχνολογίας των Κατεργασιών	el
heal.academicPublisherID	ntua
heal.numberOfPages	91 σ.
heal.fullTextAvailability	true