Avtomatizirano zaznavanje anomalij na izdelkih iz sladoledaKlanjšček, Dominik (Avtor) Perš, Janez (Mentor) Ivanovska, Marija (Komentor) računalniški vidoptično zaznavanje anomalijgloboke nevronske mreževrednotenje detekcije anomalijPaDiMV sladoledni industriji je poleg okusa zelo pomemben vizualni izgled, saj le-ta močno vpliva na prodajo določenega izdelka. Z namenom nadzora vizualne ustreznosti izdelkov so se razvili določeni slikovni standardi, ki jih zahtevajo kupci. V našem primeru smo si za slikovni standard zadali, da anomalije ne smejo biti večje od 5 mm, da jih smatramo kot sprejemljive. Ker je ročna kontrola posameznega izdelka zamudna naloga, so se razvili optični sistemi, s katerimi se ti slikovni standardi hitro in enostavno implementirajo. Zaradi visoke cene takih sistemov pa smo se odločili, da sami načrtamo sistem avtonomnega zaznavanja anomalij na izdelkih iz sladoleda, kar predstavlja bistvo tega magistrskega dela. Za dani problem je bilo treba najprej zajeti podatkovno bazo označenih slik izdelkov, za kar smo zgradili napravo z ustreznim ohišjem, osvetlitvijo in objektivom. Za naš sistem smo načrtali ustrezno ohišje, ki zadošča strogim standardom živilske industrije. Osvetlitev s svetlim poljem, ki ne ustvarja senc, z možnostmi nadgradenj. Senzor kamere smo izbrali tako, da je bil kompatibilen z izbranimi vgradnimi računalniki in dovolj občutljiv za zajem karseda ostrih slik. Za lečo kamere smo izbrali lečo z ultra širokim vidnim kotom, da smo imeli več fleksibilnosti pri postavljanju kamere. Lahko bi vzeli manjši vidni kot, s čimer bi povečali ločljivost izdelkov, vendar v fazi načrtovanja sistema nismo dobro vedeli, kako se bo napravo namestilo na industrijsko linijo. Za nadzor naprave smo uporabili tri vgradne računalnike, ki nadzirajo svetili, kamero in skrbijo za shranjevanje podatkov. Nastavili smo tudi številne parametre kamere za zajem karseda ostrega videa, iz katerega smo nato izrezali slike izdelkov, s pomočjo katerih smo zgradili testno in učno podatkovno bazo. Nastali podatkovni bazi smo morali pomnožiti z binarno masko, s katero smo omejili območje zanimanja, da smo se izognili problemu, kjer nam izbrana metoda detekcije anomalij smatra ozadje izdelka kot anomalijo. Na tako obdelani podatkovni bazi smo testirali enorazredno metodo PaDiM. Iz rezultata testiranja modela lahko vidimo, da je metoda sposobna uspešno ločiti med izdelki brez anomalij in vsemi ostalimi (ROCAUC = 0.975). Želeli smo poiskati prag, ki bi nam ločil izdelke z večjimi (nad 5 mm) in manjšimi anomalijami (do 5 mm), vendar nismo uspeli določiti takšnega praga, da bi bilo to izvedljivo. Do tega praga smo poskusili priti preko upragovljanja map intenzivnosti anomalij, a se je izkazalo, da ni proporcionalen velikosti anomalije posameznega izdelka, zato je bil poskus neuspešen. Z oceno maksimalne napake, ki jo PaDiM pripiše posamezni sliki, pa si prav tako nismo mogli pomagati, ker odraža le, ali gre za sliko izdelka z napako ali brez nje in nič ne pove o velikosti same anomalije. Intenziteta anomalije, zaznana z modelom PaDiM, je namreč odvisna tako od kontrastnosti anomalije kot tudi od velikosti anomalije. Na podlagi te ugotovitve lahko zaključimo, da je model PaDiM neprimeren model za določevanje, ali je določen izdelek še sprejemljiv glede na določeni vizualni standard. Z njim smo sposobni dobro doreči le, ali je izdelek brez napak ali ne.20242024-06-27 12:45:00Magistrsko delo/naloga159011sl