Razvoj sistema globokega učenja za vizualni nadzor kakovosti izdelkov v velikoserijski proizvodnjiKozamernik, Nejc (Avtor) Bračun, Drago (Mentor) Potočnik, Primož (Komentor) globoko učenjevizualni nadzor kakovostiiskanje anomalijnenadzorovano učenjepolnadzorovano učenjemešano učenjeDoktorska disertacija se osredotoča na razvoj sistema globokega učenja za vizualni nadzor kakovosti izdelkov v velikoserijski proizvodnji. Glavni cilj raziskave je bil razviti model za iskanje anomalij, ki omogoča postopno učenje, s čimer se zmanjša potreba po zamudnem označevanju slik s strani strokovnjakov. V disertaciji je bil razvit model FuseDecode AE, ki na osnovi rekonstrukcije normalnih primerov omogoča iskanje anomalij v različnih fazah učenja, od nenadzorovanega do polnadzorovanega in mešanega učenja. Model z vsako naslednjo fazo učenja omogoča zanesljivejše odkrivanje in segmentacijo anomalij. Ena ključnih prednosti predlaganega modela je skrajšanje časa, potrebnega za anotacijo podatkovnih množic za polnadzorovano in mešano učenje, saj nenadzorovano naučen model služi kot orodje za pospešitev postopka. Metode so bile validirane tako na realni industrijski bazi cevi prevlečenih s KTL-zaščito, kot na javno dostopni podatkovni bazi MVTec AD, FuseDecode AE pa dosega rezultate, ki so primerljivi z ostalimi sodobnimi metodami iskanja anomalij.20252025-09-26 08:30:25Doktorsko delo/naloga174028UDK: 004.85:004.92(043.3)VisID: 277140COBISS_ID: 250858499sl