Automatická analýza obrazu pro kontrolu kvality výroby textilií
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato práce se zabývá problematikou klasifikace defektů, které vznikají při výrobě netkaných textilií. Úloha klasifikace vad je součástí systému pro automatickou kontrolu kvality výroby. Cílem je implementovat metodu, která bude co nejlépe klasifikovat problematické třídy defektů. Toho bylo dosaženo s využitím konvolučních neuronových sítí (CNN). Nejlepší výsledky měla síť EfficientNet, která dosáhla přesnosti 81% při vyhodnocení metodou křížové validace na dostupném datasetu. V rámci práce je provedena řada experimentů, které jsou zaměřeny na úpravu vstupních dat. Zkoumán je vliv tvaru a složení vstupních snímků na výslednou klasifikaci. Implementován byl také model CNN, který kromě obrázku využívá pro klasifikaci také další informace.
This work deals with the classification of defects that occur in the production of nonwovens. The defect classification task is part of a system for automatic production quality control. The goal is to implement a method that will classify problematic defect classes with sufficient accuracy. That was achieved using convolutional neural networks (CNN). The best results were achieved by the EfficientNet network, which had an accuracy of 81% when evaluated by cross-validation on an available dataset. Within the work, a number of experiments are performed, which are focused on the modification of input data. The influence of the shape and composition of the input images on the final classification is examined. A CNN model was also implemented, which uses additional information for classification in addition to the image.
This work deals with the classification of defects that occur in the production of nonwovens. The defect classification task is part of a system for automatic production quality control. The goal is to implement a method that will classify problematic defect classes with sufficient accuracy. That was achieved using convolutional neural networks (CNN). The best results were achieved by the EfficientNet network, which had an accuracy of 81% when evaluated by cross-validation on an available dataset. Within the work, a number of experiments are performed, which are focused on the modification of input data. The influence of the shape and composition of the input images on the final classification is examined. A CNN model was also implemented, which uses additional information for classification in addition to the image.
Description
Citation
SÝKOROVÁ, T. Automatická analýza obrazu pro kontrolu kvality výroby textilií [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Počítačové vidění
Comittee
prof. Dr. Ing. Pavel Zemčík, dr. h. c. (předseda)
doc. Ing. Martin Čadík, Ph.D. (místopředseda)
Ing. Vítězslav Beran, Ph.D. (člen)
Ing. Roman Juránek, Ph.D. (člen)
Ing. Zbyněk Křivka, Ph.D. (člen)
Ing. Tomáš Milet, Ph.D. (člen)
Date of acceptance
2022-06-20
Defence
Studentka nejprve prezentovala výsledky, kterých dosáhla v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Studentka následně odpověděla na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studentky na položené otázky rozhodla práci hodnotit stupněm C. Otázky u obhajoby: Jak vypadá výsledná matice záměn (confusion matrix) u nejlepšího modelu na testovací sadě dat? Jak často zde dochází k záměně důležitých tříd?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení