Gyártási hibák detektálása diffúziós hálózatok segítségével
Manapság az ipari adathalmazok hibadetektálására számos módszer áll rendelkezésre, melyek közül sok mesterséges intelligenciát, azon belül is mélytanulást alkalmaz. Erre a feladatra jelenthet egy új megközelítést a zajtalanító diffúziós hálózatok (DDPM) alkalmazása, ezen hálózatok ugyanis képesek a tanult mintákat visszaállítani kis minőségveszteség mellett, illetve eltérő, hibás adatminta esetén azt egy tanulttal megegyező kinézetű mintává alakítják át, így egy teljesen új képet generálva a bemenetiből. A modellek ezen tulajdonságát kihasználhatjuk, ha csak jó minőségű mintákkal tanítjuk őket és ezután a bemenetükre hibás adatokat adunk, amelyeket a hálózat átalakít megfelelő képekké a tanultak alapján, eltüntetve az eredeti deformitásokat. Ennek köszönhetően a bemeneti és kimeneti képek különbségének eloszlását vizsgálva szétválasztható, hogy mely minták voltak megfelelő minőségűek és melyek tartalmaztak hibákat. A megközelítésből kiindulva a dolgozatban a diffúziós neurális hálózatok felügyelet nélküli hibadetektációs képessége kerül bemutatására valós ipari adatokon keresztül, nagy hangsúlyt fektetve a nehezen osztályozható minták feldolgozására. A kapott eredmények ezen felül összehasonlításra kerülnek egy autoenkóder modell különbség eloszlásaival is, amely hálózat esetében a folyamat lényegében ugyanaz, azonban a visszaállítás minősége gyengébb, a kapott képek elmosódottak, így zajt jelentve a kimenetre nézve. Emiatt a diffúziós modell jobb kimeneti képminőségéből adódóan alkalmasabb lehet a kisméretű és kis kontrasztú hibák észlelésére, míg az autoenkóder esetében, a nagyobb kimeneti jel-zaj viszony miatt, ezek nehezen detektálhatóak.
szerző
-
Szécsényi Nándor
Villamosmérnöki szak, mesterképzés
mesterképzés (MA/MSc)
konzulensek
-
Karz Gergely
Ügyvezető, Artillence Kft (külső) -
