Polimer felület spektrális reflexióján alapuló anyagfelismerés, gépi tanulás használatával
2017-re a világ teljes polimer előállítása meghaladta a 348 millió tonnát [1], amelynek egy része sajnos mindenféle minőségellenőrzés nélkül hagyja el a gyárakat és egészen a végfelhasználóig nem történik semmiféle vizsgálat. A minőség-ellenőrzés egyik formája, amikor az anyag összetételét ellenőrzik spektroszkópiai úton. Az ilyen típusú technológia bevezetése és üzemeltetése napjainkban igen költséges.
A minőség-ellenőrzéskor azonban nem feltétlenül szükséges az anyagok kémiai szerkezetének azonosítása, az is elegendő, ha a maga a spektrum egyezik. Ilyen megközelítés alapján a gépi tanuló algoritmusok használata kiválóan alkalmas erre a célra. Az ilyen típusú adatfeldolgozás nem igényli a spektroszkóp abszolút pontosságát, csupán a mérés reprodukálhatósága lényeges. Ez lehetőséget ad olyan, a jelenlegieknél lényegesen olcsóbb eszközök használatára, amelyek lehetővé teszik a spektroszkópia használatát olyan területeken is, ahol eddig még nem volt gazdaságos. A gondot itt az jelenti, hogy kis mintaszám esetén kevésé alkalmazható.
A dolgozat célja egy olyan kiértékelő algoritmus fejlesztése, amivel roncsolásmentesen, gyorsan, meg tudunk különböztetni különböző polimereket egymástól. A minták megkülönböztetése a róluk visszavert fény spektrális eloszlásán alapul. Az újítást nem a spektroszkóp [2] ilyen célra történő alkalmazás adja, hanem az adatok kiértékelésének újszerű megközelítése. A kiértékelés nehézségét a kevés tanító adat okozza, mivel alacsony mintaszám mellett nehéz a gépi tanuló algoritmusok használata. A spektroszkópból származó tanítómintákat ún. one-shot [3][4] technikával dolgozzuk fel, ez lehetővé teszi, hogy kevés tanítóminta segítségével is meg tudjuk különböztetni a kívánt anyagokat, anélkül, hogy több száz mérést kellene végezni az adatok gyűjtése során.
Irodalom:
[1] https://www.plasticseurope.org/application/files/6315/4510/9658/Plastics_the_facts_ 2018_AF_web.pdf (2019.09.24.)
[2] Siesler H. W.: Near‐infrared spectroscopy of polymers. Makromolekulare Chemie. Macromolecular Symposia, 52 (1991) 113-129.
[3] Yan L., Zheng Y., Cao J.: Few-shot learning for short text classification. Multimedia Tools and Applications, 77 (2018) 29799-29810.
[4] Koch G.: Siamese neural networks for one-shot image recognition. MSc Thesis, University of Toronto (2015).
szerzők
-
György Levente
Mechatronikai mérnöki alapszak (BSc)
alapképzés (BA/BSc) -
Sipos Bence
Mechatronikai mérnöki alapszak (BSc)
alapképzés (BA/BSc)
konzulens
-
Dr. Mészáros László
egyetemi docens, Polimertechnika Tanszék