Využití strojového učení a počítačového vidění pro detekci vad v průmyslové výrobě

Abstract

Cílem této práce bylo analyzovat typy defektů na kovových površích, provést rešerši hlavních metod detekce objektů, které by mohly být vhodné pro detekci těchto vad a zjistit, která metoda je vhodnější. Pro vyhodnocení byly použity datasety DNAI a Severstal. První dataset je od zákazníka DNAI, snímky přímo z produkce. Druhý dataset je z Kaggle soutěže. Metody YOLO a U-net byly vybrány pro porovnání. Model YOLO je na obou datasetech úspěšnější než model U-net. Hlavním rozdílem byl počet falešně pozitivních predikcí. Na datasetu Severstal dosáhl model YOLO s benevolentní metrikou recall 90 % a přesností 69,3 %. Na datasetu DNAI byly výsledky 72,2 % recall a 70,5 % přesnost.

This work aimed to analyze the types of defects on metallic surfaces, to search for the leading object detection methods that could be suitable for detecting these defects, and to find out which method is more suitable. DNAI and Severstal datasets were used for the evaluation task. The first dataset is from a DNAI client, with images taken from a production line. The second dataset is from a Kaggle competition. YOLO and U-net were selected for comparison. The YOLO model performs better than the U-net model on both datasets. The main difference was the number of false positives. On the Severstal dataset, the YOLO model achieved a recall of 90 % and a precision of 69.3 % with the benevolent metric. On the DNAI dataset, the results were 72.2 % recall and 70.5 % precision.