Návrh AI modelu pro automatickou detekci vadných výrobků pomocí metod hlubokého učení

Petr Šíma

Bachelor's thesis

Design of AI model for the automatic identification of defective products using deep learning

Abstract:

Hlavní cíl této práce spočívá v návrhu modelu umělé inteligence, schopného vyhodnotit vadnost výrobku na základě analýzy jeho fotografie. Teoretická část se proto zabývá problematikou automatizace kontroly kvality a stručně popisuje současný stav poznání v této oblasti. Dále vymezuje základní pojmy z oblasti strojového vidění a umělé inteligence, skrze které se dostává k popisu strojového a hlubokého učení. Následně se zabývá popisem neuronových sítí, procesem jejich učení a typy uspořádání sítí použitých v praktické části práce. Úvodem praktické části je stručný popis využitého softwaru a hardwaru. Následuje popis zvolených vstupních dat, způsob jejich úpravy a optimalizace pro proces trénování a testování. Dále je uveden první vytvořený model, který byl podnětem a dal za vznik dalším modelům v rámci průběžného vyhodnocování a zvyšování přesnosti detekce vad. Závěrem práce je celkové porovnání navržených modelů a zhodnocení dosažených výsledků.

Abstract:

The main objective of this work is to design an artificial intelligence model capable of evaluating the defectiveness of a product based on the analysis of its photograph. Therefore, the theoretical part initially deals with the issue of automation of quality control and briefly describes the current state of knowledge in this field. It then defines the basic concepts of machine vision and artificial intelligence, through which this part of the thesis arrives at a description of the machine and deep learning. Then there is a description of neural networks, the learning process, and the types of network structures used in this work. The practical part starts with a brief description of the software and hardware used. The following section is devoted to describing the selected input data and how it is modified and optimized for the training and testing process. Subsequently, the first developed model was presented, which was the impetus and gave rise to other models within the framework of continuous evaluation and improvement of defect detection accuracy. The thesis concludes with an overall comparison of the proposed models and assessment of the reached results.

Keywords

umělá inteligence, strojové vidění, hluboké učení, klasifikace obrazu, konvoluční neuronové sítě, detekce anomalií, autoenkodér

Language used: Czech

Date on which the thesis was submitted / produced: 28. 6. 2022

Thesis defence

• Supervisor: Ing. Iaroslav Kovalenko, Ph.D.

Technical University of Liberec

Faculty of Mechanical Engineering

Bachelor programme / field:
Mechanical Engineering / Mechanical Engineering