Nikkelikatodien lajittelu konenäköä hyödyntäen ja lajittelulinjaston esisuunnittelu
Söderdahl, Daniel (2020)
Söderdahl, Daniel
2020
Automaatiotekniikan DI-ohjelma - Master's Programme in Automation Engineering
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2020-11-05
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202010277524
https://urn.fi/URN:NBN:fi:tuni-202010277524
Tiivistelmä
Erilaisia lajittelu- ja luokittelutehtäviä on paljon ja monella alalla. Usein lajittelua tehdään ma-nuaalisesti, mutta monessa paikassa on jo siirrytty konenäön avulla tehtäviin lajitteluihin. Manu-aalinen lajittelu voi olla epäjohdonmukaista, aikaa vievää ja pitkästyttävää työtä.
Tämä työ on osa Tampereen yliopiston automaatiotekniikan diplomi-insinööritutkintoa ja sen toimeksiantaja on Norilsk Nickel Harjavalta Oy. Työn tarkoitus on selvittää, soveltuuko konenä-kö nikkelikatodien lajitteluun. Lisäksi työssä on esisuunniteltu tehtaalle mahdollisesti tulevaa la-jittelulinjastoa.
Nikkelikatodien lajittelu tehdään tällä hetkellä manuaalisesti. Laitteistoa, jota lajittelussa käy-tetään, ei ole suunniteltu kyseiseen työhön. Tällä laitteistolla työ on riskialtista, sillä nikkelikato-dit saattavat tippua siirrettäessä. Automaattisella lajittelulla saataisiin vapautettua työvoimaa ja tehtyä lajittelusta turvallisempaa sekä johdonmukaisempaa.
Työ jakaantuu kolmeen osaan. Teoriaosassa on käyty läpi konenäön menetelmiä, erityisesti konvoluutioneuroverkkoja. Kokeellisessa osassa konenäköä testattiin sekä kaupallisella ratkai-sulla, että avoimen lähdekoodin kirjastojen avulla tehdyillä ohjelmoinneilla. Viimeisessä osassa suunniteltiin mahdollista lajittelulinjastoa.
Kaupallista ratkaisua testattiin niin, että nikkelikatodeja lajiteltiin manuaalisesti ja joka kato-dista otettiin kuva. Aluksi kuvia opetettiin mallille, jonka jälkeen malli osasi arvioida laatuja. Sa-moja kuvia käytettiin myös vertailuksi tehdyissä ohjelmoinneissa. Kaupallisella ratkaisulla lajitte-lun tarkkuudet olivat yli 90 % ja vertailuksi tehdyissä ohjelmoinneissakin päästiin parhaimmillaan 90 %. Konenäkö soveltuu siis nikkelikatodien lajitteluun hyvin. Parempia tuloksia olisi todennä-köisesti saatu, jos konenäkömallien parantamista ja datan keräämistä olisi jatkettu.
Lajittelulinjaston suunnittelussa hahmoteltiin neljän erilaisen ratkaisun mallia. Suunnittelussa tärkeimpänä huomiona oli valaistuksen merkitys. Testien aikana valaistuksen muutokset tuotti-vat ongelmia, joten automaattisella linjastolla kuvaaminen olisi hyvä suorittaa sille suunnitellus-sa valaistussa huoneessa tai kopissa ongelmien välttämiseksi. Toisena tärkeänä asiana esiin nousi yksittäisen katodin sekä lajiteltujen nippujen painojen määrittäminen. Yksittäisen katodin paino tarvitaan, jotta joukosta löydetään liian kevyet tai painavat katodit. Lajiteltujen nippujen painot tarvitaan, jotta tiedetään, milloin nippu tulee valmiiksi. Tästä syystä linjastolla olisi oltava vaakoja, jotta nämä saadaan punnittua. There are different sorting and classification tasks in many fields. Sorting is often done manually, but in many places, sorting is nowadays done with machine vision. Manual sorting can be an inconsistent, time consuming and tedious task.
This thesis is part of Tampere University’s Master of Science in Automation engineering-degree and it has been commissioned by Norilsk Nickel Harjavalta Oy. The purpose of this the-sis is to determine is machine vision suitable for sorting nickel cathodes. In addition, a sorting line that may come to the factory is predesigned.
Nickel cathodes are currently sorted manually. The equipment used for sorting is not de-signed for that task. With that equipment, sorting is risky because nickel cathodes might drop when moved. Automatic sorting would release labor and it could make sorting safer and more consistent.
Thesis is divided into three parts. In theory section machine vision methods, especially con-volution neural networks are explained. In experimental section machine vision was tested with commercial solution and programming with open source libraries. In the last section possible sorting line was predesigned.
The commercial solution was tested by manually sorting nickel cathodes and taking images of each cathode. The images were taught to the model and after that the model was able to evaluate the qualities. The same images were also used in the programming that was made for comparison. With the commercial solution, the sorting accuracies were over 90 % and with pro-gramming that was made for comparison the best results were 90 %. Machine vision is there-fore suiting well for sorting nickel cathodes. Better results would have been achieved if the im-provement of machine vision models and data collection had been continued.
In the designing of the sorting line, four different solutions were designed. The most im-portant thing to consider in the design was the importance of lighting. During the tests, chang-es in lighting caused problems, so it would be a good idea that images in automatic line is tak-en in lighted room or chamber designed for it to avoid problems. Another important issue was the defining of the weights of a single cathode as well as sorted bundles. The weight of a sin-gle cathode is needed to find cathodes that are too light or heavy. Bundle weights are needed to know when the bundle is ready. For this reason, the line should have scales to weigh these.
Tämä työ on osa Tampereen yliopiston automaatiotekniikan diplomi-insinööritutkintoa ja sen toimeksiantaja on Norilsk Nickel Harjavalta Oy. Työn tarkoitus on selvittää, soveltuuko konenä-kö nikkelikatodien lajitteluun. Lisäksi työssä on esisuunniteltu tehtaalle mahdollisesti tulevaa la-jittelulinjastoa.
Nikkelikatodien lajittelu tehdään tällä hetkellä manuaalisesti. Laitteistoa, jota lajittelussa käy-tetään, ei ole suunniteltu kyseiseen työhön. Tällä laitteistolla työ on riskialtista, sillä nikkelikato-dit saattavat tippua siirrettäessä. Automaattisella lajittelulla saataisiin vapautettua työvoimaa ja tehtyä lajittelusta turvallisempaa sekä johdonmukaisempaa.
Työ jakaantuu kolmeen osaan. Teoriaosassa on käyty läpi konenäön menetelmiä, erityisesti konvoluutioneuroverkkoja. Kokeellisessa osassa konenäköä testattiin sekä kaupallisella ratkai-sulla, että avoimen lähdekoodin kirjastojen avulla tehdyillä ohjelmoinneilla. Viimeisessä osassa suunniteltiin mahdollista lajittelulinjastoa.
Kaupallista ratkaisua testattiin niin, että nikkelikatodeja lajiteltiin manuaalisesti ja joka kato-dista otettiin kuva. Aluksi kuvia opetettiin mallille, jonka jälkeen malli osasi arvioida laatuja. Sa-moja kuvia käytettiin myös vertailuksi tehdyissä ohjelmoinneissa. Kaupallisella ratkaisulla lajitte-lun tarkkuudet olivat yli 90 % ja vertailuksi tehdyissä ohjelmoinneissakin päästiin parhaimmillaan 90 %. Konenäkö soveltuu siis nikkelikatodien lajitteluun hyvin. Parempia tuloksia olisi todennä-köisesti saatu, jos konenäkömallien parantamista ja datan keräämistä olisi jatkettu.
Lajittelulinjaston suunnittelussa hahmoteltiin neljän erilaisen ratkaisun mallia. Suunnittelussa tärkeimpänä huomiona oli valaistuksen merkitys. Testien aikana valaistuksen muutokset tuotti-vat ongelmia, joten automaattisella linjastolla kuvaaminen olisi hyvä suorittaa sille suunnitellus-sa valaistussa huoneessa tai kopissa ongelmien välttämiseksi. Toisena tärkeänä asiana esiin nousi yksittäisen katodin sekä lajiteltujen nippujen painojen määrittäminen. Yksittäisen katodin paino tarvitaan, jotta joukosta löydetään liian kevyet tai painavat katodit. Lajiteltujen nippujen painot tarvitaan, jotta tiedetään, milloin nippu tulee valmiiksi. Tästä syystä linjastolla olisi oltava vaakoja, jotta nämä saadaan punnittua.
This thesis is part of Tampere University’s Master of Science in Automation engineering-degree and it has been commissioned by Norilsk Nickel Harjavalta Oy. The purpose of this the-sis is to determine is machine vision suitable for sorting nickel cathodes. In addition, a sorting line that may come to the factory is predesigned.
Nickel cathodes are currently sorted manually. The equipment used for sorting is not de-signed for that task. With that equipment, sorting is risky because nickel cathodes might drop when moved. Automatic sorting would release labor and it could make sorting safer and more consistent.
Thesis is divided into three parts. In theory section machine vision methods, especially con-volution neural networks are explained. In experimental section machine vision was tested with commercial solution and programming with open source libraries. In the last section possible sorting line was predesigned.
The commercial solution was tested by manually sorting nickel cathodes and taking images of each cathode. The images were taught to the model and after that the model was able to evaluate the qualities. The same images were also used in the programming that was made for comparison. With the commercial solution, the sorting accuracies were over 90 % and with pro-gramming that was made for comparison the best results were 90 %. Machine vision is there-fore suiting well for sorting nickel cathodes. Better results would have been achieved if the im-provement of machine vision models and data collection had been continued.
In the designing of the sorting line, four different solutions were designed. The most im-portant thing to consider in the design was the importance of lighting. During the tests, chang-es in lighting caused problems, so it would be a good idea that images in automatic line is tak-en in lighted room or chamber designed for it to avoid problems. Another important issue was the defining of the weights of a single cathode as well as sorted bundles. The weight of a sin-gle cathode is needed to find cathodes that are too light or heavy. Bundle weights are needed to know when the bundle is ready. For this reason, the line should have scales to weigh these.