Digital image processing methods in industry environment

Petra Svobodová

Doctoral thesis

Abstract:

Tento výzkum se zaměřuje na využití umělé inteligence pro detekci objektů v dřevozpracujícím průmyslu. Současně je cílem porovnat úspěšnost detekce objektů při snímání scény dvěma různými zařízeními – běžnou kamerou mobilního telefonu a specializovanou multispektrální kamerou Monarch II od společnosti Unispectral. Dále je zkoumáno, jak různé vlnové délky ovlivňují přesnost detekce objektů, přičemž multispektrální kamera zachycuje scény i mimo viditelné spektrum. Pro naše experimenty využíváme konvoluční neuronové sítě, konkrétně architekturu YOLO. Řešíme také výzvy spojené s rozdíly v rozlišení a zarovnání mezi oběma snímacími zařízeními pomocí technik předzpracování. Následně provádíme srovnávací analýzu různých spektrálních pásem aplikovaných na dvě různé datové sady. První datová sada se zaměřuje na detekci řezů dřevěných klád, zatímco druhá datová sada je zaměřená na detekci kmenů stromů v nerovném lesním terénu. Dále využíváme techniku "pozdní fúze" ke kombinaci výsledků z různých spektrálních pásem s cílem zlepšit úspěšnost celkové detekce. Naším cílem je ukázat potenciál multispektrálních kamer v oblasti počítačového vidění aplikovaného na přírodní materiály, jako je dřevo.

Abstract:

This research is focused on object detection using artificial intelligence in the woodworking industry. In addition, the goal is to compare the performance of object detection where the scene is captured by two different devices – a standard mobile phone camera and the specialized multispectral camera Monarch II. from Unispectral company. We explore the impact of different wavelengths on object detection capabilities, given that the multispectral camera captures scenes outside the visible part of the electromagnetic spectrum. The convolutional neural networks, specifically the YOLO architecture, are used to evaluate our experiments. Challenges arising from differences in resolution and alignment between the two capture devices are addressed through preprocessing techniques. Subsequently, we perform a comparative analysis of various spectral bands applied to two distinct datasets. The first dataset focuses on detecting wooden log cuts, while the second dataset involves the detection of tree trunks within irregular forest terrain. Additionally, we implement a late fusion technique to combine results from multiple spectral bands to enhance detection performance. The goal is to demonstrate the potential of multispectral cameras in the field of computer vision applied to natural materials like wood.

Keywords

Detekce objektů, Počítačové vidění, Umělá inteligence, You Only Look Once, Spektrální kamera.

Keywords

Object detection, Computer Vision, Artificial Intelligence, You Only Look Once, Spectral camera.

Language used: English

Date on which the thesis was submitted / produced: 11. 9. 2024

Thesis defence

• Supervisor: Robert Frischer
• Reader: Ondřej Krejcar, Petr Besta, Peter Brida

VSB – Technical University of Ostrava

Fakulta materiálově-technologická

Doctoral programme:
Řízení průmyslových systémů