Regisztráció és bejelentkezés

Gépi Tanulás Alkalmazása a Gyártási Minőségellenőrzés Terén

Az utóbbi években, a mély konvolúciós neurális hálózatokat számos gépi látással kapcsolatos feladatra alkalmazták eredményesen. Ezek az alkalmazások az IoT eszközöktől kezdve, a művészeten át, egészen az orvosi applikációkig megtalálhatók. Annak ellenére, hogy az utóbbi években a gépi tanulást kiemelkedő figyelem övezte, a gyakorlati alkalmazása lassan válik valósággá.

Ezen TDK dolgozat témája egy mély neurális hálózat alkalmazása a gyártási hibadetektálás feladatkörére. A felhasznált adathalmaz képei egy nyomtatott áramköröket beültető gyártól származnak. Minden legyártott nyomtatott áramkörről készült képen számos forrasztási pont található. A termékekről készült képekből kivágtuk a forrasztási pontokat majd egy közös orientációba forgattuk őket. Az így készült egységes minták, egy több mint 100 000 elemű adathalmazt alkottak. A feladat a hibás minták detektálása volt. A minták kevesebb mint 5%-a kézzel lett kategorizálva, az "OK" kategóriába 78%, a "Not OK" kategóriába 22% került. Mivel a halmaz elenyésző része van csak annotálva, ezért ehhez a feladattípushoz az autoenkóder struktúra az alkalmazható modell. Az ilyen felépítésű neurális hálózatok legnagyobb előnye, hogy nincs szükség kézzel címkézett mintákra a tanításukhoz (felügyelet nélküli tanulás). Ebben a dolgozatban részletesen bemutatom a neurális hálózatok elméletét, valamint elemzem egy autoenkóder típusú neurális hálózat működését. A modell a teljes adathalmaz egy részén lett tanítva, a teljesítménye pedig a kézzel címkézett halmazon lett kiértékelve. Kiértékelésre került a modell viselkedése különböző szűkület méreteket használva, valamint abban az esetben is, ha a tanítóhalmaz "Not OK" mintákkal lett szennyezve. A modell teljesítményét ROC és P-R görbék, valamint konfúziós mátrixok segítségével minősítettem. A kvantitatív vizsgálaton kívül, a modell által hibásan klasszifikált mintákat manuálisan is megvizsgáltam, hogy mélyebb betekintést nyerjünk a hálózat hiányosságaiba. Az eredmények, a felügyelet nélküli megközelítést figyelembe véve, a modell kiemelkedő válogatási képességeire utalnak, azonban az alacsony kontraszttal megjelenő hibatípusokat képtelen detektálni ez a megközelítés.

Ezen eredmények fényében úgy gondolom, hogy ez a modell hasznos lehet a megbízható minőségellenőrző szoftverek fejlesztése során.

szerző

  • Karz Gergely Jakab
    Villamosmérnöki szak, mesterképzés
    mesterképzés (MA/MSc)

konzulens

  • Kiss Domokos
    tanársegéd, Automatizálási és Alkalmazott Informatikai Tanszék