20.500.12556/RUL-185907 Zaznavanje poroznosti na obdelanih površinah ulitkov z metodami globokega učenja Porosity detection on machined cast surfaces using deep learning Obravnavamo avtomatizacijo vizualne kontrole na obdelanih kovinskih izdelkih s strojnim vidom, ki omogoča večjo hitrost in objektivnost. Poudarek je na zaznavanju poroznosti, kjer izziv predstavljata odbojnost in ukrivljenost površin. Vzpostavimo eksperimentalno postavitev, ki omogoča ponovljiv zajem slik ustrezne kakovosti. Slike realnih vzorcev pripravimo, označimo in uporabimo za primerjavo različnih metod strojnega vida. Poleg klasičnih pristopov obravnavamo tudi konvolucijsko nevronsko mrežo in dve nenadzorovani metodi detekcije anomalij, katerima namenimo več pozornosti. Ovrednotimo uspešnost klasifikacije ter analiziramo vpliv ključnih dejavnikov, kot so pogoji zajema, prisotnost nečistoč in izbira nastavitev modela. Rezultati kažejo potencial predlaganega pristopa, pri čemer se kot najprimernejša metoda izkaže Patch Distribution Modeling (PaDiM) z doseženim F1=0,96. We address the automation of visual inspection of machined metal products using machine vision, with the aim of increasing speed and objectivity. The focus is on porosity detection, where surface reflectivity and curvature pose a challenge. An experimental setup is developed to ensure repeatable image acquisition of adequate quality. Images of real samples are prepared, annotated, and used to compare different machine vision methods. Classical approaches, a convolutional neural network, and two unsupervised anomaly detection methods are compared, with emphasis on the latter. Classification performance is evaluated, while the influence of key factors, such as acquisition conditions, surface contaminants, and model parameter settings, is analysed. The results demonstrate the potential of the proposed approach, with Patch Distribution Modeling (PaDiM) identified as the most appropriate method, achieving an F1 score of 0.96. strojni vid površinske napake odbojne površine konvolucijske nevronske mreže globoko učenje detekcija anomalij machine vision surface defects reflective surfaces convolutional neural networks deep learning anomaly detection true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2026-08-22 08:31:58 2026-08-22 08:32:01 2026-08-23 04:09:53 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 288198 48529.pdf 48529.pdf 1 41E834852163AEE197EB5F997FF23676 313255ff36d2cf101e1bc22657fc9f38db98c6bc890b205ce39d59b4581b059c ca4aa4cb-9df2-11f1-9b0d-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=244914 Fakulteta za strojništvo 0 0 0