Automatická kontrola počtu a pozic navařovaných šroubů ve Škoda Auto

Abstract

Cieľom tejto práce bolo nájsť detektor, ktorý by bol schopný čo najspoľahlivejšie určiť polohy navarovaných šróbov na fotografiách častí auta a vytvoriť jednoduchý systém, ktorý tieto polohy porovná s požadovanými. Toto by skrátilo čas potrebný na manuálnu kontrolu častí v priemyselnom prostredí. Navrhli a porovnali sme vlastnosti klasických metód spracovania obrazu a kaskádneho klasifikátoru s príznakmi typu Haar. Navrhli sme súbor klasifikátorov pridaním binárneho klasifikátoru založenom na metóde podporných vektorov ku kaskádnemu klasifikátoru. Trénovanie aj testovanie bolo prevedené na osobne nazbieraných a anotovaných dátach. Kvôli malému množstvu dát sme neskúmali použitie konvolučných neurónových sietí. Výkon klasických metód sme vyhodnotili ako nedostatočný na reálne použitie. Detektor kombinujúci kaskádny klasifikátor a metódu podporných vektorov dosiahol hodnoty 8.54\% pre mieru falošnej detekcie a 72.82\% pre mieru skutočne pozitívnych detekcií, čo je porovnateľné s inými prácami využívajúcimi zložitejšie detekčné metódy. Navrhnutý detektor považujeme za aplikovateľný ako riešenie daného problému, ak by bol doplnený o kontrolu ľudským pracovníkom, ktorý by potvrdil výsledky detekcie.

The objective of this thesis was to find a detector which would most reliably find the locations of weld studs in photographs of car parts and create a simple system for comparing these locations to required one. This would lower the time required when manually inspecting parts in an industry setting. We proposed and described the properties of classic image processing methods and the cascade classifier with Haar-like features. We proposed a classifier ensemble by adding a support vector machine binary classifier to the cascade classifier. Training and testing was done on a personally collected and annotated set of data. Because of the small size of our data set, we did not explore the use of convolutional neural networks. We judged the performance of the classic methods to be insufficient for real applications. The detector which combined the cascade classifier and support vector machines achieved scores of 8.54\% for false detection rate and 72.82\% for true positive rate, which is comparable to other works using more complicated detection methods. We consider the proposed detector to be applicable as a solution to the given task if it was supplemented with an inspection by a human worker to confirm the detection results.