dc.contributor.author | Žvinys, Tomas Vilius | |
dc.date.accessioned | 2023-09-18T09:08:15Z | |
dc.date.available | 2023-09-18T09:08:15Z | |
dc.identifier.uri | https://etalpykla.vilniustech.lt/handle/123456789/110496 | |
dc.description.abstract | Šiame baigiamajame magistro darbe analizuojamas konvoliucinių neuroninių tinklų pritaikymas automatinėse kokybės kontrolės sistemose. Darbo metu, naudojant atvirojo kodo bibliotekas, sukuriami 3 tiesioginio sklidimo konvoliuciniai neuroniniai tinklai, kurie išbandomi tikrinant butelio kamštelio padėtį. Šiems tinklams apmokyti naudojamas specialiai šiai užduočiai surinktas pavyzdžių rinkinys. Pavyzdžių rinkinį sudaro į tris klases suskirstytos 320×240 pikselių raiškos nuotraukos su gerai užsuktais ir netinkamai užsuktais butelių kamšteliais bei nuotraukos su buteliais be kamštelių. Siekiant kompensuoti nedidelį tinklams apmokyti skirtą duomenų kiekį ir pagerinti neuroninių tinklų pasiekiamus rezultatus, šio darbo metu taikomas dirbtinis duomenų papildymas. Darbo metu naudojant vieną iš sukurtų konvoliucinių neuroninių tinklų pasiektas 98 % klasifikavimo tikslumas ir 119 vaizdų per sekundę greitaveika rodo, kad tiesioginio sklidimo konvoliuciniai neuroniniai tinklai turi potencialo būti naudojami automatiniuose kokybės kontrolės įrenginiuose. Darbą sudaro 8 dalys: įvadas, vaizdinių duomenų bazės kūrimas, kamštelio padėties tikrinimo algoritmų kūrimas ir apmokymas, sukurtų algoritmų palyginimas, išvados, literatūros sąrašas ir priedai. Darbo apimtis – 49 p. teksto be priedų, 27 iliustr., 10 lent., 27 literatūros ir duomenų šaltiniai. Atskirai pridedami darbo priedai. | lit |
dc.description.abstract | This final master thesis analyzes the application of convolutional neural networks in automatic quality control systems. In this work, 3 direct-propagation convolutional neural networks are created using open source libraries. These networks are tested by checking the bottle cap position. A set of samples collected specially for this task is used to train these networks. The sample set consists of 320 x 240 px resolution photos that are divided into three classes: bottles well-screwed and misplaced bottle caps and photos with cap-free bottles. To compensate the small amount of neural network training data and improve neural network classification accuracy, a data augmentation algorithm is implemented. Using one of the neural networks, classification accuracy of 98% and throughput of 119 images per second has been reached. This suggests that neural networks have the potential to be used in automatic quality control systems. Structure: introduction, introduction, analytic part, design part, electrical security, investigation of results, conclusions and suggestions, references, graphical part. Thesis consist of: 49 p. text without appendixes, 27 pictures, 10 tables, 27 bibliographical entries. Appendixes included. | eng |
dc.format | PDF | |
dc.format.extent | 79 p. | |
dc.format.medium | tekstas / txt | |
dc.language.iso | lit | |
dc.rights | Neprieinamas | |
dc.source.uri | https://talpykla.elaba.lt/elaba-fedora/objects/elaba:29801425/datastreams/MAIN/content | |
dc.title | Vaizdų analizės metodų kamštelio padėčiai tikrinti tyrimai | |
dc.title.alternative | Investigation of Vision Analysis Techniques for Cap Position Inspection | |
dc.type | Magistro darbas / Master thesis | |
dcterms.references | 0 | |
dc.type.pubtype | ETD_MGR - Magistro darbas / Master thesis | |
dc.contributor.institution | Vilniaus Gedimino technikos universitetas | |
dc.subject.researchfield | T 007 - Informatikos inžinerija / Informatics engineering | |
dc.subject.studydirection | B04 - Informatikos inžinerija / Informatics engineering | |
dc.subject.lt | Kompiuterinė rega | |
dc.subject.lt | vaizdų klasifikavimas | |
dc.subject.lt | vaizdų apdorojimas | |
dc.subject.lt | vaizdų atpažinimas | |
dc.subject.lt | kokybės kontrolė | |
dc.subject.en | computer vision | |
dc.subject.en | visual recognition | |
dc.subject.en | image classification | |
dc.subject.en | automatic quality control | |
dc.subject.en | convolutional neural networks | |
dc.identifier.elaba | 29801425 | |