< Terug naar vorige pagina

Project

Flanders Make SBO project: PILS (R-9874)

De kwaliteitscontrole van het product en de montage op basis van computervisie wordt steeds meer alomtegenwoordig. Dit bestaat uit een visiesysteem (bijv. een of meer camera's) en een classificatie- of regressie-algoritme. Het detectiealgoritme is vaak een geautomiseerd leerproces (bijvoorbeeld een convolutioneel neuraal netwerk). Deze algoritmen kunnen op een zeer robuuste manier werken en een zeer hoge identificatienauwkeurigheid bereiken als ze kunnen worden getraind met een inputgegevensverzameling die groot genoeg is. De dataset is samengesteld uit beelden waarin de te detecteren eigenschap aanwezig is. In de leerfase moeten de beelden worden gelabeld, hetgeen betekent dat het systeem dient te weten of het beeld al dan niet een kwaliteitsprobleem vertoont. Meestal worden de datasets opgebouwd door het handmatig verzamelen van beelden van de functies onder verschillende voorwaarden en door het handmatig identificeren en labelen van de pixels die bij het element horen. Dit project richt zich op het verminderen van de implementatiekosten van beeldverwerkingssystemen voor kwaliteitscontrole in productie en assemblage, omdat er minder gegevensverzameling en etikettering nodig is (d.w.z. toezicht), terwijl de robuustheid vergroot. Het hoofddoel van dit project bestaat erin te onderzoeken hoe de hoeveelheid reële trainingsgegevens kan worden gereduceerd om visuele inspectiealgoritmen te laten werken in een productieomgeving met een laag volume. Een gebruikelijke aanpak om met een kleine set opleidingsgegevens om te gaan in gegevensuitbreiding: een lichte vervorming van de beschikbare gegevenspunten om nieuwe punten te creëren die nog steeds tot dezelfde categorie behoren. Binnen de visie bestaat dit meestal uit het willekeurig toepassen van eenvoudige variaties zoals bijsnijden, draaien, schalen, spiegelen, color balancing en/of het aanpassen van de helderheid van de gehele collectie van trainingsfoto's om veel licht gewijzigde kopieën te maken. De eigenlijke producten zijn driedimensionale objecten en hun visuele verschijning wordt bepaald door complexe materiaaleigenschappen, lichtomstandigheden en geometrische details. Dit project zal dit proberen te bereiken door het integreren van computergraphics en computervisietechnologie om synthetische defecten worden aangebracht. Op deze manier wordt een grote gelabelde synthetische dataset verkregen en kan deze worden gebruikt als trainingsinput voor een visueel inspectie-algoritme. Het kader dat voor dit project ontwikkeld werd, kan worden gebruikt om de ontwikkeling van gespecialiseerde algoritmen voor machinaal leren aanzienlijk te versnellen om een product te identificeren, de houding ervan waar te nemen, defecten op te sporen en de voortgang van de assemblage te volgen.
Datum:1 jul 2019 →  Heden
Trefwoorden:algoritmen, data sets
Disciplines:Machine learning en besluitvorming
Project type:Samenwerkingsproject