Deep neural networks for evaluating the quality of tempered glass

Abstract

In this work, automated methods for counting the number of shards in a picture of broken glass are reviewed. The minimum number of shards in a specific observation field is a standardized requirement for tempered glass. The operator of the tempering machine typically counts the shards manually. Manual counting is laboursome, time consuming and prone to human errors.

Several image processing and machine learning methods for automating the counting task are experimented with in this work. The best performing method proved to be a deep learning convolutional neural network combined with a simple postprocessing scheme. The neural network segments each shard in an image and with postprocessing the shard count can be obtained robustly. Architecture of the framework is presented in detail in this work and its performance is evaluated extensively. The framework reached below 5 % mean absolute counting error on the used validation data.

Tässä työssä tarkastellaan automaattisia menetelmiä murtuneen lasin sirulukumäärän laskemiseen kameralla otetusta kuvasta. Sirujen minimilukumäärä tietyllä tarkastelualueella on standardoitu vaatimus karkaistulle lasille. Laskennan suorittaa tyypillisesti karkaisukoneen operaattori manuaalisesti. Manuaalinen laskenta on työlästä, aikaa vievää ja altis inhimillisille virheille.

Työssä tutkitaan erilaisia kuvankäsittelymenetelmiä ja koneoppimiseen perustuvia menetelmiä sirulaskennan automatisoimiseksi. Parhaaksi menetelmäksi valikoitui syväoppiva konvolutiivinen neuroverkko yhdistettynä yksinkertaiseen jälkikäsittelyyn. Neuroverkko erittelee sirut kuvasta ja jälkikäsittelyllä saadaan laskettua luotettavasti lukumäärä siruille. Systeemin rakenne esitetään työssä seikkaperäisesti ja sen suorituskykyä arvioidaan kattavasti. Menetelmällä saavutettiin alle 5 % keskimääräinen laskentavirhe käytetyllä validointidatalla.