Kolmiulotteisten kuituvalosten laadunvalvonta konenäöllä

Abstract

Tässä työssä tutkittiin menetelmiä, joilla voitaisiin toteuttaa kolmiulotteisten kuituvalosten automaattinen laadunvalvonta. Kehitetty visuaalinen laadunvalvontatyökalu perustuu konenäköjärjestelmään, joka ottaa tuotteista kuvia ja luokittelee tuotteet kuvien perusteella viallisiin ja normaaleihin. Työssä tuotteiden luokittelemiseksi testattiin kahta koneoppivaa poikkeamien tunnistusmenetelmää: yhden luokan tukivektorikonetta ja eristysmetsää. Poikkeamien tunnistusmenetelmillä tarkoitetaan koneoppimisalgoritmeja, jotka on kehitetty löytämään näytteet, jotka erottuvat normaaleista näytteistä. Esikäsittelyssä poikkeamien tunnistusmenetelmiin testattiin myös yhdistää taustanerotus, jotta poikkeamat saataisiin irrotettua taustasta ennen luokittelua. Taustan mallinnuksessa hyödynnettiin kahta erilaista menetelmää: keskiarvomenetelmää ja Gaussin seosmallia. Kaikki mallit muodostettiin käyttäen tuotantoprosessista kerättyä aineistoa, joka sisältää opetus-, validointi- ja testiaineiston. Ilman taustanerotusta opetettujen poikkeamien tunnistusmallien antamat tulokset validointiaineistolla olivat lupaavia, mutta testiaineisto osoitti, että mallien yleistyskyky ei ole riittävä. Taustanerotusta käyttävät mallit suoriutuivat hieman heikkommin validointiaineistolla ja myös niillä oli ongelmia yleistyskyvyn kanssa testiaineiston kohdalla. Yleistyskyvyn puutetta selittää mallien toteutuksessa käytettävän aineiston vähäinen määrä sekä normaaleissa tuotteissa esiintyvä suuri variaatio. Jatkokehityksessä tulee tutkia keinoja lisätä käytettävän opetusaineiston määrää ja mahdollisuuksia helpottaa ulkoisilla keinoilla, kuten valaistuksen säätämisellä, luokitteilijan tehtävää tai pohtia toisenlaisia menetelmiä laadunvalvonnan toteuttamiseksi.

The purpose of this thesis was to study possible methods to use for automatic quality control of 3D moulded fiber products. Developed visual quality control tool is based on machine vision system, which takes images of the products and classifies the products into normal and faulty. In this work two machine learning anomaly detection methods were used to classify the products: isolation forest and one class support vector machine. Anomaly detection methods are machine learning algorithms that are developed to find the samples that differ from the normal samples. With anomaly detection methods also background subtraction was tested to extract the faults from the background before classification to make it easier. Background models were constructed with two methods: average modeling and Gaussian mixture modeling. All modes were trained by using data collected from manufacturing processes. Data includes training, validation and test sets. Models without background subtraction got promising results on the validation set but the test set displayed lack of generalization ability. Models with backgrounds subtraction performed slightly worse with the validation set than models without it, but those also had problems with generalization with the test set. Further development should explore ways to increase the amount of training data and possible external ways, such as adjusting lightning, to make the problem easier to solve. Other methods to perform quality control could also be considered in further development.