izpis_h1_title_alt

Detecting surface anomalies with deep learning
ID Rački, Domen (Avtor), ID Skočaj, Danijel (Mentor) Več o mentorju... Povezava se odpre v novem oknu, ID Tomaževič, Dejan (Komentor)

.pdfPDF - Predstavitvena datoteka, prenos (11,17 MB)
MD5: E674084A643C4726A37C5F4581D75375

Izvleček
Deep-learning-based approaches have proven to outperform other approaches in various computer vision tasks, making application-focused machine learning a promising area of research in automated visual inspection. In the dissertation, we apply deep learning to the challenging real-world problem domain of automated visual inspection of pharmaceutical products. We focus on investigating whether compact neural network architectures, adhering to performance, resource, and accuracy requirements, are suitable for application in the pharmaceutical visual inspection domain. We propose a compact and efficient convolutional neural network architecture design for the segmentation and scoring of surface defects, which we evaluate on a real-world dataset from the pharmaceutical product-inspection domain. In comparison with other related supervised segmentation approaches, we achieve state-of-the-art performance in terms of defect detection as well as real-time computational efficiency. When compared to the nearest best-performing architecture, we achieve state-of-the-art performance with a fraction of the parameter count, a multi-fold increase in inference speed, and increased surface defect detection performance. We furthermore propose an extension of the supervised approach to weakly-supervised learning via generated pseudo labels, which are obtained with an unsupervised deep learning model. The latter are utilized in a supervised fashion, since this allows the retention of compact model performance benefits, while removing or at the very least reducing the number of required manually annotated samples. Although this kind of approach is weaker when compared to supervised approaches using manually annotated labels, we achieve comparable results.

Jezik:Angleški jezik
Ključne besede:Surface defect detection, visual inspection, quality control, solid oral dosage forms, pharmaceutical industry, deep learning, segmentation, convolutional neural networks, visual anomaly detection
Vrsta gradiva:Doktorsko delo/naloga
Tipologija:2.08 - Doktorska disertacija
Organizacija:FRI - Fakulteta za računalništvo in informatiko
Leto izida:2022
PID:20.500.12556/RUL-142942 Povezava se odpre v novem oknu
COBISS.SI-ID:132401923 Povezava se odpre v novem oknu
Datum objave v RUL:05.12.2022
Število ogledov:962
Število prenosov:97
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
:
Kopiraj citat
Objavi na:Bookmark and Share

Sekundarni jezik

Jezik:Slovenski jezik
Naslov:Detekcija anomalij na površinah z globokim učenjem
Izvleček:
Pristopi, ki temeljijo na globokem učenju, se izkažejo za učinkovitejše od klasičnih pristopov na različnih področjih računalniškega vida, zaradi česar je postalo aplikativno strojno učenje obetavno področje raziskav pri avtomatiziranem vizualnem pregledovanju. V disertaciji uporabimo globoko učenje za avtomatizirano pregledovanje površin na zahtevni problemski domeni farmacevtskih izdelkov. Osredotočimo se na vprašanje, ali so kompaktne arhitekture nevronskih mrež, ki ustrezajo zahtevam glede porabe virov ter detekcij anomalij, primerne za uporabo na področju vizualnega pregledovanja farmacevtskih izdelkov. Predlagamo kompaktno in učinkovito zasnovo arhitekture konvolucijske nevronske mreže za segmentacijo in napovedovanje pristonosti površinskih napak, katero ovrednotimo na zahtevni množici podatkov s področja pregledovanja farmacevtskih izdelkov. V primerjavi z drugimi sorodnimi pristopi nadzorovane segmentacije dosežemo najboljšo točnost pri detekciji napak ter računsko učinkovitost v realnem času. V primerjavi z najbližjo arhitekturo po točnosti, dosežemo boljšo zmogljivost z le nekaj odstotki števila parametrov, večkratno povečanje hitrosti napovedovanja, ter povečano točnost detekcije površinskih napak. Nadaljnjo predlagamo razširitev nadzorovanega pristopa v šibko nadzorovano učenje z uporabo psevdo label, pridobljenih z nenadzorovanim modelom globokega učenja. Slednje se uporabijo v nadzorovanem načinu, saj to omogoča ohranitev prednosti zmogljivega kompaktnega modela, hkrati pa odpravlja ali vsaj zmanjša potrebo po ročnem označevanju podatkov. Čeprav je tovrstni pristop šibkejši kakor nadzorovani pristopi z uporabo ročno označenih label, dosežemo primerljive rezultate.

Ključne besede:Detekcija napak na površinah, vizualno pregledovanje, nadzor kakovosti, trdne peroralne dozirne oblike, farmacevtska industrija, globoko učenje, segmentacija, konvolucijske nevronske mreže, detekcija vizualnih anomalij

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Nazaj