Αναγνώριση ελαττωμάτων σε βιομηχανικά τεμάχια μέσω μηχανικής όρασης

Ανδριοσοπούλου, Γεωργία; Andriosopoulou, Georgia

dc.contributor.author	Ανδριοσοπούλου, Γεωργία	el
dc.contributor.author	Andriosopoulou, Georgia	en
dc.date.accessioned	2022-02-23T08:28:24Z
dc.date.available	2022-02-23T08:28:24Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54806
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22504
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Default License
dc.subject	Mηχανική όραση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Τεμάχια χύτευσης	el
dc.subject	Ανίχνευση επιφανειακών ελαττωμάτων	el
dc.subject	Ποιοτικός έλεγχος	el
dc.title	Αναγνώριση ελαττωμάτων σε βιομηχανικά τεμάχια μέσω μηχανικής όρασης	el
heal.type	masterThesis
heal.classification	Βαθιά Μηχανική Μάθηση	el
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Νευρωνικά Δίκτυα	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-23
heal.abstract	Η παρούσα διπλωματική εργασία πραγματεύεται το ζήτημα της αναγνώρισης ελαττωμάτων σε βιομηχανικά τεμάχια στα πλαίσια του ποιοτικού ελέγχου μέσω αλγορίθμων μηχανικής όρασης. Μέχρι σήμερα ο ποιοτικός έλεγχος των τελικών προϊόντων ενός εργοστασίου επιβάλλει την απασχόληση ανθρώπινου δυναμικού. Ωστόσο, η διαδικασία αυτή αποτελεί ένα χρονοβόρο και επαναλαμβανόμενο καθήκον για τους μηχανικούς και για το λόγο αυτό η εύρεση τρόπων αυτοματοποίησής του αποτελεί πεδίο έρευνας. Στόχος λοιπόν αποτελεί ο καθορισμός ενός συστήματος που θα αξιοποιεί τις δυνατότητες της τεχνητής νοημοσύνης και θα υλοποιεί τον ποιοτικό έλεγχο μηχανολογικών προϊόντων αυτόματα και σε πραγματικό χρόνο. Στα πλαίσιο αυτό εξετάζεται ο αυτόματος ποιοτικός έλεγχος μηχανολογικών τεμαχίων μέσω φωτογραφιών, επιστρατεύοντας νευρωνικά δίκτυα μηχανικής όρασης και βαθιάς μάθησης. Τα δεδομένα που χρησιμοποιούνται ανήκουν σε 2 διαφορετικά σύνολα δεδομένων και αποτελούν ψηφιακές απεικονίσεις χυτοπρεσσαριστών τεμαχίων, στις οποίες διακρίνονται διάφορα είδη επιφανειακών ελαττωμάτων. Σε πρώτο στάδιο επιστρατεύονται απλά μοντέλα ταξινόμησης για το διαχωρισμό των φωτογραφιών στις κατηγορίες υγιές τεμάχιο ή ελαττωματικό. Ακολούθως, ερευνάται ένα πιο δύσκολο ζήτημα και συγκεκριμένα αυτό του ακριβούς εντοπισμού των διαφόρων ελαττωμάτων που υπάρχουν στην επιφάνεια των τεμαχίων. Για την επίτευξη αυτού εκπαιδεύονται μοντέλα που υλοποιούν ανίχνευση αντικειμένων και συγκεκριμένα τα Faster R-CNN, Mask R-CNN και YOLOv5. Δίνοντας ως είσοδο μια φωτογραφία ενός τεμαχίου, τα δίκτυα αυτά προβλέπουν τα όρια εντός των οποίων εντοπίζεται το ελάττωμα, όπως επίσης και την κατηγορία αυτού. Σύμφωνα με τα εξαγόμενα αποτελέσματα, επιτυγχάνεται αποτελεσματικός εντοπισμός των ελαττωμάτων και για τα 2 σύνολα δεδομένων. Τέλος, ζητούμενο αποτελεί η μείωση του χρόνου συμπεραματολογίας των συγκεκριμένων δικτύων στο ελάχιστο, ώστε οι προβλέψεις για κάθε εικόνα τεμαχίου να εξάγονται σε πραγματικό χρόνο. Στο πλαίσιο αυτό, διενεργούνται πειράματα σε 4 διαφορετικούς υπολογιστικούς πόρους και κατόπιν συγκρίνονται οι αποδόσεις τους. Όπως προκύπτει, ο χρόνος επιθεώρησης μιας φωτογραφίας κυμαίνεται από 0.82 έως 6.61 δευτερόλεπτα ανάλογα τον επεξεργαστή, γεγονός που αποδεικνύει ότι η μεθοδολογία αυτή δύναται να ενσωματωθεί στη γραμμή παραγωγής ενός εργοστασίου.	el
heal.advisorName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Βοσνιάκος, Γεώργιος	el
heal.committeeMemberName	Μπενάρδος, Πανώριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	115 σ.	el
heal.fullTextAvailability	false