Neuroverkkojen hyödyntäminen metalliteollisuuden komponenttien tunnistamiseen: Oppiva konenäköjärjestelmä

Abstract

Teollisuuden kokoonpanoissa teknologian määrä lisääntyy ja samalla ne vaativat yhä enemmän hankalasti tunnistettavia komponentteja. Valmistajien merkintöjen puuttuminen tai niiden vaihtelu aiheuttavat haasteita komponenttien käsittelyyn ja tunnistamiseen. Väärien komponenttien joutuminen tuotantoon asti inhimillisen erehdyksen takia on yleinen ongelma teollisuudessa. Tunnistettavia komponentteja voi olla jopa tuhansia ja perinteisen konenäön rajoitteet ovat vaikeuttaneet konenäköjärjestelmien käyttöä tämän kaltaisissa sovelluksissa. Neuroverkkojen hyödyntämistä konenäköjärjestelmässä haluttiin tutkia ratkaisuksi tähän ongelmaan.

Tutkimuksessa selvitettiin, minkälainen neuroverkkoihin perustuva konenäköjärjestelmä vaaditaan teollisuuden komponenttien tunnistamiseen ja kuinka tarkasti se kykenee luokittelemaan komponentit. Tutkimuksessa selvitettiin myös, kuinka paljon kuvia neuroverkon siirto-oppimiseen tarvitaan. Tutkimuksessa käytettiin konstruktiivista tutkimusmenetelmää, jossa haastatteluiden avulla kartoitettiin ensin konenäköjärjestelmän vaatimuksia teollisessa ympäristössä. Tutkimuksen aikana selvitettiin kirjallisuuskatsauksen avulla kuvien tunnistamiseen ja luokitteluun soveltuvia konvoluutioneuroverkkoja. Tutkimukseen valittiin tunnistettavaksi yleisiä metalliteollisuudessa käytettäviä komponentteja, joiden luokkia oli yhteensä 16 kappaletta. Opetettavista komponenteista otettiin kuvia testijärjestelmällä ja niiden tunnistamiseen opetettiin kaksi erilaista syvää konvoluutioneuroverkkoa. Kirjallisuustutkimuksen perusteella vertailuun valittiin VGG16, joka oli enemmän laskentatehoa vaativa ja toinen reunalaskentaan soveltuva YOLOv4-tiny neuroverkko. Lopuksi vertailtiin näiden neuroverkkojen suorituskykyä, kuten tarkkuutta, täsmällisyyttä ja herkkyyttä. Lisäksi vertailtiin opetettujen neuroverkkojen suorituskykyä kahdella eri konenäkökameralla.

Tuloksien perusteella teollisuuden vaatimuksiin kykenevään luokitteluun tarvitaan enemmän laskentatehoa vaativa konvoluutioneuroverkko, kuten VGG16, jolla voitiin luokitella komponentit 84 % tarkkuudella oikein. Muoviin pakattu elektroniikkakokoonpano oli haastavin tunnistettava ja siinä esiintyi eniten luokitteluvirheitä. Tarkastelemalla VGG16 luokittelun tuloksia ilman elektroniikkakokoonpanoja, voidaan päästä jopa 95 % tarkkuuteen. YOLOv4-tiny neuroverkon tarkkuus oli parhaimmillaan vain 67 % ja ei ole tässä työssä käytetyllä datamäärällä teollisuuden vaatimuksiin riittävällä tasolla. Tuloksista voidaan päätellä, että konenäkökameran valinta ja kuvien laatu vaikuttaa neuroverkon luokittelun tarkkuuteen. On myös huomion arvoista, että opetukseen tarvittavien kuvien määrä oli ennakoitua pienempi siirto-oppimisen ansiosta. Komponenttien tunnistamisen tarkkuus heikkeni, jos tunnistettavat piirteet eivät olleet kuvissa selkeästi näkyvissä tai komponenttien välillä oli vain pieniä mittaeroja. Komponenttien ominaisuudet ja niiden pakkaustavat vaikuttivat tunnistuksen onnistumiseen, joten osa työssä käytetyistä komponenteista ja kokoonpanoista eivät sovellu näiden tulosten perusteella neuroverkkoihin perustuvalla konenäöllä tunnistettavaksi.