1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 151 — Автоматизація та компʼютерно-інтегровані технології (бакалаври)
Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/41902
Назва: Застосування нейронних мереж для контролю дефектності металоконструкцій
Інші назви: Application of neural networks to control the defectiveness of metal structures
Автори: Поліник, Назарій Іванович
Рибець, Сергій Андрійович
Polynyk, Nazariy
Rybets, Serhiy
Приналежність: Тернопільський національний технічний університет імені Івана Пулюя
Факультет прикладних інформаційних технологій та електроінженерії (ФПТ)
Кафедра автоматизації технологічних процесів і виробництв
Бібліографічний опис: Поліник Н. І., Рибець С. А. Застосування нейронних мереж для контролю дефектності металоконструкцій (комплексна тема) : кваліфікаційна робота бакалавра за спеціальністю «151 — автоматизація та комп’ютерно-інтегровані технології» / Н. І. Поліник, С. А. Рибець. — Тернопіль: ТНТУ, 2023. — 85 с.
Bibliographic description: Polinyk N.I., Rybets S.A., The use of neural networks for the control of defects in metal structures (complex topic).: bachelor's qualification work in the specialty "151 — automation and computer-integrated technologies" / N.I. Polinyk, S.A. Rybets – Ternopil: TNTU, 2023. — 85 p.
Дата публікації: 20-чер-2023
Дата подання: 20-чер-2023
Дата внесення: 26-чер-2023
Видавництво: Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії, Кафедра автоматизації технологічних процесів і виробництв
Країна (код): UA
Місце видання, проведення: Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії, Кафедра автоматизації технологічних процесів і виробництв.
Установа захисту: ЕК №21, 2023 р.
Науковий керівник: Марущак, Павло Орестович
Maruschak, Pavlo
Члени комітету: Золотий, Роман Захарійович
Zolotyi, Roman
УДК: 621.865
Теми: автоматизація
нейронні мережі
діагностування
дефекти
освітлення
automation
neural networks
diagnostics
defects
lighting
Діапазон сторінок: 1-85
Кінцева сторінка: 85
Короткий огляд (реферат): Виявлення металевих дефектів є складним завданням, оскільки зображення металевих поверхонь легко піддається впливу факторів навколишнього середовища, таких як освітлення та відбивання світла. У цьому дослідженні розроблено новий метод виявлення дефектів та застосовано на зображеннях металевих поверхонь. Запропонована система розпізнавання зображень працює ефективно, з точки зору виявлення дефектної області та класифікації типів дефектів. Майбутні дослідження будуть зосереджені на системах з кількома підсвічуваннями та вхідними зображеннями, наприклад фотометричнми стерео. За допомогою цього методу можна проводити дослідження виявлення дефектів для різних матеріалів поверхні (текстиль, скло тощо). Крім того, запропонована навчена модель, у перспективі буде доступна через веб-інтерфейс, що забезпечує онлайн виявлення та дефектометрію дефектів.
Опис: Detecting metal defects is challenging because the imaging of metal surfaces is easily affected by environmental factors such as illumination and light reflection. In this study, a new defect detection method was developed and applied to images of metal surfaces. The proposed image recognition system works effectively in terms of defect area detection and defect type classification. Future research will focus on systems with multiple illuminations and input images, such as photometric stereo. With the help of this method, it is possible to conduct research on the detection of defects for various surface materials (textiles, glass, etc.). In addition, the proposed trained model will in the future be available through a web interface that provides online detection and defectometry of defects.
Зміст: ЗМІСТ ВСТУП……………………………………………………………………… 5 1. АНАЛІТИЧНА ЧАСТИНА 1.1. Взаємозв’язок між штучним інтелектом, машинним навчанням і глибоким навчанням 7 1.2. Основні типи нейронних мереж та їх діагностичні можливості 13 2. ПРОЕКТНА ЧАСТИНА 2.1. Оптико-цифрові методи контролю стану поверхні смуг металопрокату 22 2.2. Технічне оснащення фотозйомки та його параметри 25 2.3. Отримання зображень для дослідження 30 2.4. Розпізнавання зображень за допомогою CNN 33 2.5. Дослідження впливу освітлення на результат розпізнавання 38 2.6. Дефектоскопія зображень дефектів 40 2.7. Дефектометрія зображень дефектів 47 2.8. Вплив освітленості на параметри дефектів 50 2.9. Вплив частоти вібрації на параметри дефектів 52 3. СПЕЦІАЛЬНА ЧACТИНA 3.1. Алгоритм локалізації та класифікації поверхневих дефектів на сталевому листі 65 3.2. Дефекти та їх локалізація 67 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 4.1. Актуальність охорони праці 75 4.2. Правила техніки безпеки при роботі в лабораторіях 77 4.3. Санітарно-гігієнічні вимоги до лабораторного приміщення 78 ВИСНОВКИ 80 ПЕРЕЛІК ПОСИЛАНЬ 81
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/41902
Власник авторського права: © Поліник Н.І., Рибець С.А., 2023
Перелік літератури: 1. Coates, A., Lee, H., Ng, A.Y.: An analysis of single-layer networks in unsupervised feature learning. In: Proc. of International Conference on Artificial Intelligence and Statistics (AISTATS) (2011)
2. LeCun, Y., Bottou, L., Bengio, Y., Haffner, P.: Gradient-based learning applied to document recognition. Proceedings of the IEEE 86(11), 2278–2324 (1998)
3. Fukushima, K.: Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics 36(4), 193–202 (1980)
4. Masci, J., Meier, U., Ciresan, D., Schmidhuber, J., Fricout, G.: Steel defect classification with max-pooling convolutional neural networks. In: Proc. of International Joint Conference on Neural Networks (IJCNN), pp. 1–6 (June 2012)
5. Westin, S.H., Li, H., Torrance, K.E.: A comparison of four BRDF models. In: Jensen, H.W., Keller, A. (eds.) Proc. of Eurographics Symposium on Rendering, pp. 1–10 (2004)
6. Herwig, J., Leßmann, S., B¨urger, F., Pauli, J.: Adaptive anomaly detection within near-regular milling textures. In: Proc. International Symposium on Image and Signal Processing and Analysis, Trieste, Italy, pp. 106–111 (2013)
7. Pang, G.K.H., Chu, M.-H.: Automated optical inspection of solder paste based on 2.5D visual images. In: Proc. of International Conference on Mechatronics and Automation, pp. 982–987 (2009)
8. Hoßfeld, M., Chu, W., Adameck, M., Eich, M.: Fast 3D-vision system to classify metallic coins by their embossed topography. Electronic Letters on Computer Vision and Image Analysis 5(4), 47–63 (2006)
9. Ciresan, D.C., Masci, J., Meier, U., Schmidhuber, J.: Stacked convolutional autoencoders for hierarchical feature extraction. In: Proc. of International Conference on Artificial Neural Networks, ICANN (2011)
10. Bookstein, F.L.: Principal warps: Thin plate splines and the decomposition of deformations. IEEE Trans. Pattern Anal. Mach. Intell. 11(6), 567–585 (1989)
11. Ciresan, D., Meier, U., Schmidhuber, J.: Multi-column deep neural networks for image classification. In: Proc. of Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3642–3649 (June 2012)
12. Ciresan, D., Meier, U., Masci, J., Schmidhuber, J.: A committee of neural networks for traffic sign classification. In: Proc. of International Joint Conference on Neural Networks (IJCNN), pp. 1918–1921 (July 2011)
13. Goodfellow, I.J., Bulatov, Y., Ibarz, J., Arnoud, S., Shet, V.: Multi-digit number recognition from street view imagery using deep convolutional neural networks. In: Proc. of International Conference on Learning Representations (ICLR) April
14. Doherty, A., Clark, S., Care, R., Dembowsky, M.: Why rails crack. Ingenia (23), 23–28 (2005)
15. Huber-M¨ork, R., N¨olle, M., Oberhauser, A., Fischmeister, E.: Statistical rail surface classification based on 2D image analysis. In: Blanc-Talon, J., Bone, D., Philips, W., Popescu, D., Scheunders, P. (eds.) ACIVS 2010, Part I. LNCS, vol. 6474, pp. 50–61. Springer, Heidelberg (2010)
16. Soukup, D., Huber-M¨ork, R.: Cross-channel co-occurrence matrices for robust characterization of surface disruptions in 2D rail image analysis. In: Blanc-Talon, J., Philips, W., Popescu, D., Scheunders, P., Zemˇc´ık, P. (eds.) ACIVS 2012. LNCS, vol. 7517, pp. 167–177. Springer, Heidelberg (2012)
17. Woodham, R.J.: Photometric method for determining surface orientation from multiple images. Optical Engineering 19(1), 139–144 (1980)
18. Basri, R., Jacobs, D., Kemelmacher, I.: Photometric stereo with general, unknown lighting. International Journal of Computer Vision 72(3), 239–257 (2007) CNNs for Steel Surface Defect Detection from Photometric Stereo Images
19. Arel, I., Rose, D.C., Karnowski, T.P.: Deep machine learning - a new frontier in artificial intelligence research. IEEE Computational Intelligence Magazine 5(4), 13–18 (2010)
20. Simard, P.Y., Steinkraus, D., Platt, J.C.: Best practices for convolutional neural networks applied to visual document analysis. In: Proc. of International Conference on Document Analysis and Recognition (ICDAR), pp. 958–963 (2003)
21. Amini, A.; Kanfoud, J.; Gan, T.-H. An Artificial-Intelligence-Driven Predictive Model for Surface Defect Detections in Medical MEMS. Sensors 2021, 21, 6141. https://doi.org/10.3390/s21186141
22. Song, L.; Li, X.; Yang, Y.; Zhu, X.; Guo, Q.; Yang, H. Detection of Micro-Defects on Metal Screw Surfaces Based on Deep Convolutional Neural Networks. Sensors 2018, 18, 3709. https://doi.org/10.3390/s18113709
23. D’Antuono, R. (2022). Basic Digital Image Acquisition, Design, Processing, Analysis, Management, and Presentation. In: Nechyporuk-Zloy, V. (eds) Principles of Light Microscopy: From Basic to Advanced. Springer, Cham. https://doi.org/10.1007/978-3-031-04477-9_4
24. Patar, M. N. A. A., Ayub, M. A., Zainal, N. A., Rosly, M. A., Lee, H., & Hanafusa, A. (2022). Detection of Micro-defects on Metal Screw Surfaces Based on Faster Region-Based Convolutional Neural Network. In A. N. Reddy, D. Marla, M. N. Favorskaya, & S. C. Satapathy (Eds.), Intelligent Manufacturing and Energy Sustainability - Proceedings of ICIMES 2021 (pp. 587-597). (Smart Innovation, Systems and Technologies; Vol. 265). Springer Science and Business Media Deutschland GmbH. https://doi.org/10.1007/978-981-16-6482-3_58
25. Aldunin, A. Development of method for calculation of structure parameters of hot-rolled steel strip for sheet stamping. J. Chem. Technol. Metall. 2017, 52, 737–740.
26. Xu, Z.W.; Liu, X.M.; Zhang, K. Mechanical properties prediction for hot rolled alloy steel using convolutional neural network. IEEE Access 2019, 7, 47068–47078.
27. Ren, Q.; Geng, J.; Li, J. Slighter Faster R-CNN for real-time detection of steel strip surface defects. In Proceedings of the IEEE 2018 Chinese Automation Congress (CAC), Xi’an, China, 30 November–2 December 2018; pp. 2173–2178. [Google Scholar]
28. He, D.; Xu, K.; Zhou, P. Defect detection of hot rolled steels with a new object detection framework called classification priority network. Comput. Ind. Eng. 2019, 128, 290–297. [Google Scholar] [CrossRef]
29. Jeon, M.; Jeong, Y.S. Compact and accurate scene text detector. Appl. Sci. 2020, 10, 2096.
30. Vu, T.; Van Nguyen, C.; Pham, T.X.; Luu, T.M.; Yoo, C.D. Fast and efficient image quality enhancement via desubpixel convolutional neural networks. In Proceedings of the European Conference on Computer Vision (ECCV) Workshops, Munich, Germany, 8–14 September 2018.
31. He, K.; Zhang, X.; Ren, S.; Sun, J. Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, 27–30 June 2016; pp. 770-778.
32. Iandola, F.N.; Han, S.; Moskewicz, M.W.; Ashraf, K.; Dally, W.J.; Keutzer, K. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5 MB model size. arXiv 2016, arXiv:1602.07360.
33. Zhang, X.; Zhou, X.; Lin, M.; Sun, J. Shufflenet: An extremely efficient convolutional neural network for mobile devices. In Proceedings of the IEEE conference on computer vision and pattern recognition, Salt Lake City, UT, USA, 18–23 June 2018; pp. 6848–6856.
34. Howard, A.G.; Zhu, M.; Chen, B.; Kalenichenko, D.; Wang, W.; Weyand, T.; Andreetto, M.; Adam, H. Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv 2017, arXiv:1704.04861.
35. Wang, Z.; Lu, W.; He, Y.; Xiong, N.; Wei, J. Re-CNN: A robust convolutional neural networks for image recognition. In Proceedings of the International Conference on Neural Information Processing, Siem Reap, Cambodia, 13–16 December 2018; Springer: Cham, Switzerland, 2018; pp. 385–393.
36. Vaswani, A.; Shazeer, N.; Parmar, N.; Uszkoreit, J.; Jones, L.; Gomez, A.N.; Kaiser; Polosukhin, I. Attention is all you need. Adv. Neural Inf. Process. Syst. 2017, 30.
37. Liu, Y.; Zhang, Y.; Wang, Y.; Hou, F.; Yuan, J.; Tian, J.; Zhang, Y.; Shi, Z.; Fan, J.; He, Z. A Survey of Visual Transformers. arXiv 2021, arXiv:2111.06091.
38. Dosovitskiy, A.; Beyer, L.; Kolesnikov, A.; Weissenborn, D.; Zhai, X.; Unterthiner, T.; Dehghani, M.; Minderer, M.; Heigold, G.; Gelly, S.; et al. An image is worth 16x16 words: Transformers for image recognition at scale. arXiv 2020, arXiv:2010.11929.
39. Vannocci, M.; Ritacco, A.; Castellano, A.; Galli, F.; Vannucci, M.; Iannino, V.; Colla, V. Flatness defect detection and classification in hot rolled steel strips using convolutional neural networks. In Proceedings of the International Work-Conference on Artificial Neural Networks, Gran Canaria, Spain, 12–14 June 2019; Springer: Cham, Switzerland, 2019; pp. 220–234.
40. Gao, Y.; Xiang, X.; Xiong, N.; Huang, B.; Lee, H.J.; Alrifai, R.; Jiang, X.; Fang, Z. Human action monitoring for healthcare based on deep learning. IEEE Access 2018, 6, 52277–52285.
41. Wu, C.; Ju, B.; Wu, Y.; Lin, X.; Xiong, N.; Xu, G.; Li, H.; Liang, X. UAV autonomous target search based on deep reinforcement learning in complex disaster scene. IEEE Access 2019, 7, 117227–117245.
42. Luo, Q.; He, Y. A cost-effective and automatic surface defect inspection system for hot-rolled flat steel. Robot. Comput.-Integr. Manuf. 2016, 38, 16–30.
43. Ashour, M.W.; Khalid, F.; Abdul Halin, A.; Abdullah, L.N.; Darwish, S.H. Surface defects classification of hot-rolled steel strips using multi-directional shearlet features. Arab. J. Sci. Eng. 2019, 44, 2925–2932.
44. Gong, R.; Wu, C.; Chu, M. Steel surface defect classification using multiple hyper-spheres support vector machine with additional information. Chemom. Intell. Lab. Syst. 2018, 172, 109–117.
45. Платформа .NET та мова програмування C# 8.0: навчальний посібник / Коноваленко І.В., Марущак П.О. – Тернопіль: ФОП Паляниця В. А., 2020 – 320 с. /Рекомендовано до друку Вченою радою Тернопільського національного технічного університету імені Івана Пулюя. Протокол № 10 від 20 жовтня 2020 року
46. Проектування мікропроцесорних систем керування: навчальний посібник / І.Р. Козбур, П.О. Марущак, В.Р. Медвідь, В.Б. Савків, В.П. Пісьціо. – Тернопіль: Вид-во ТНТУ імені Івана Пулюя, 2022. – 324 с. /(Рекомендовано до друку вченою радою Тернопільського національного технічного університету імені Івана Пулюя протокол № 9 від 4 жовтня 2022 р.
47. Капаціла Ю.Б., Михайлишин Р.І., Савків В.Б., Методичні вказівки до виконання кваліфікаційної роботи бакалавра спеціальності 151 «Автоматизація та комп’ютерно-інтегровані технології». Тернопіль.: Видавництво ТНТУ. 2021. 40 с.
48. Основи наукових досліджень і теорія експерименту : Навчальний посібник для здобувачів освітнього ступеня «Магістр» спеціальності 174 «Автоматизація, комп’ютерно-інтегровані технології та робототехніка» / укл. Ю. Б. Капаціла, П. О. Марущак, В. Б. Савків, О. П. Шовкун. Тернопіль : ФОП Паляниця В.А., 2023. 186 с.
Тип вмісту: Bachelor Thesis
Розташовується у зібраннях:151 — Автоматизація та компʼютерно-інтегровані технології (бакалаври)

Файли цього матеріалу:
Файл Опис РозмірФормат 
Polinyk NI Rybets SA KAs-41.pdfКваліфікаційна робота бакалавра2,4 MBAdobe PDFПереглянути/відкрити
Поліник Рибець avtorska_7_bac_1.docАвторська довідка43 kBMicrosoft WordПереглянути/відкрити
Показати повний опис матеріалу Перегляд статистики


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора