20.500.12556/RUL-125593 Detekcija izbranih površinskih anomalij na odbojnih površinah z deflektometrijo Deflectometry-based detection of specific reflective surface anomalies Diplomsko delo opisuje problem detekcije anomalij na reflektivnih površinah z uporabo deflektometrije. Predlagamo novo metodo za detekcijo anomalij, ki je sposobna hitre detekcije na podlagi zgolj ene slike opazovane površine. Klasične metode deflektometrije izdelajo 3D rekonstrukcijo opazovanega objekta, napake pa zaznajo z odstopanji pri primerjavi z referenčnim objektom brez defektov. Večina teh metod za delovanje potrebuje natančno kalibracijo sistema. Ker se metoda, ki jo predlagamo, uči na anotiranih primerih anomalij, pri inferenci ne potrebuje posebne kalibracije in referenčnih objektov. Detekcijo anomalij opišemo kot problem semantične segmentacije, ki za vsak piksel napove verjetnost anomalije. Za implementacijo semantične segmentacije uporabimo konvolucijske nevronske mreže. Predlagamo tudi robusten postopek za lokalizacijo detekcij iz segmentacijske maske, ki je sposoben zaznati tudi delno prekrivajoče anomalije. S preliminarno analizo in eksperimentalno evalvacijo utemeljimo izbiro arhitekture ter hiperparametrov modela. Razvito metodo učimo in evalviramo na problemu detekcije udrtin v strehi avtomobila, kjer pokazažemo bistvene izboljšave v primerjavi z osnovno metodo. Naša metoda je na testih dosegla natančnost 0.88, priklic 0.88 in F-mero 0.88, kar predstavlja skoraj 50% izboljšavo v primerjavi z osnovno metodo. In this thesis we propose a new deflectometry-based anomaly detection approach applicable to reflective surfaces. Classic deflectometry methods detect surface anomalies by performing partial 3D surface reconstruction and differencing it with a pre-recorded reference model of the observed object. Most of these methods require projection of several patterns and require accurate calibration between the pattern projector, camera and the inspected object. In contrast, our anomaly detection approach is defined as a semantic segmentation problem and performs pixel-wise anomaly classification. We utilize the power of deep models for this purpose. Since the proposed method can be trained on annotated anomaly examples, reference objects are not needed, the detection is fast, requires only a single pattern projection and does not require accurate calibration. Furthermore, a robust method for anomaly localization from the segmentation mask is proposed, capable of extracting partially overlapping detections. Preliminary analysis and experimental evaluation were performed to justify the architecture and hyper-parameters of our deep semantic segmentation model. The final model was trained and evaluated on the problem of dent detection in car roofs, where a significant improvement over the base method has been shown. Our model achieves a precision of 0.88, recall of 0.88 and F-score of 0.88 on test data, which represents a nearly 50% improvement over the base method. konvolucija nevronske mreže deflektometrija semantična segmentacija strojno učenje convolution neural networks deflectometry semantic segmentation machine learning true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2021-03-26 14:55:46 2021-03-26 14:55:46 2023-11-16 11:24:00 0000-00-00 00:00:00 2018 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 22167 1537832643 Zust_Lojze_-_Detekcija_izbranih_povrsinskih_anomalij_na_odbojnih_povrsinah_z_deflektometrijo.pdf Zust_Lojze_-_Detekcija_izbranih_povrsinskih_anomalij_na_odbojnih_povrsinah_z_deflektometrijo.pdf 1 9AC05841B8EB030D1568CDE474F2938D 93f4acbae81237056f2f6be3f2b013139774b770b4d3691fa167b01375b2354c be315b93-a1bb-11eb-a523-00155dcfd717 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=141384 Fakulteta za računalništvo in informatiko 0 0 0