Automatická analýza obrazu pro kontrolu kvality výroby textilií

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.