Automatická kontrola kvality výroby lakovaných kovových dílů s pomocí neuronových sítí

Abstract

Tato práce je zaměřena na problematiku vizuální kontroly kvality při výrobě kovových lakovaných dílů. Hlavním problémem řešeným v rámci práce je návrh automatizované metody kontroly kvality, založené na moderních poznatcích z oblasti umělé inteligence a počítačového vidění. Kontrola kvality představuje významnou součást velkého množství průmyslových výrobních procesů, ve kterých je nutné zajistit splnění řady kvalitativních požadavků na vyráběné produkty. Dosud je kontrola kvality prováděna především spe- cializovanými pracovníky, na které je k provádění kontroly kladena řada požadavků na odborné znalosti. Aktuálně známé metody vizuální kontroly kvality založené na umělé inteligenci se vyznačují vysokou náročností na velikost trénovací datové množiny a nízkou tolerancí na výraznější změnu polohy a rotace kontrolovaných objektů vůči snímacímu zařízení. Důsledkem těchto nedostatků je znemožněno nasazení automatizované vizuální kontroly kvality v řadě současných průmyslových aplikacích. Hlavním přínosem této práce je návrh nové metody kontroly kvality, která vykazuje silnou schopnost spolehlivě fungo- vat i v případech, kdy v dané průmyslové výrobě dochází k výše uvedeným jevům změny polohy, rotace objektů a nedostatku trénovacích dat. Přesnost metody navržené v této práci je experimentálně ověřena na datové množině vycházející z problematiky kontroly kvality kovových lakovaných dílů. Dle provedeného měření překonává navržená metoda v přesnosti detekce defektů ostatní, současně známé metody o 10, 25 % dle AUROC metriky.

This thesis is focused on the problem of visual quality control during painted metal parts fabrication. The main problem of the thesis is the design of automatic quality control method based on modern artificial intelligence and computer vision techniques. Quality control is an important part of a large number of industrial production processes, in which it is necessary to ensure compliance with a number of quality requirements for manufactured products. Until now, quality control is carried out mainly by specialized staff, who are subject to a number of expertise requirements. Currently known methods of visual quality control based on artificial intelligence are characterized by high demands on the size of the training data set and low tolerance for a significant change in position and rotation of the inspected objects relative to the scanning device. As a result of these shortcomings, the use of automated visual quality control in many current industrial applications is impossible. The main contribution of this thesis is the design of a new method for quality control, which shows a strong ability to function reliably even in cases where the above mentioned phenomena of change in position, rotation of objects and lack of training data occur during manufacturing. The accuracy of the method proposed in this thesis is experimentally verified on a data set based on the issue of quality control of painted metal parts. According to the measurement results of defect detection accuracy, the proposed method outperformed other, currently known methods by 10, 25 % using the AUROC metric.