La inspección automática en los actuales procesos de fabricación es crucial, debido tanto a la velocidad de los mismos como a los estándares de calidad que se persiguen. Los sistemas basados en redes neuronales permiten un compromiso entre resolución y velocidad de procesamiento.
Las redes neuronales tienen la capacidad de emular características propias de los seres humanos, como la capacidad de memorizar y de asociar hechos. Los problemas que no pueden resolverse a través de un algoritmo pueden resolverse mediante la experiencia, el hombre, de hecho, resuelve muchas situaciones haciendo uso de su experiencia acumulada. Igualmente el hombre es capaz de aprender, considerando que el aprendizaje significa que aquellos problemas que inicialmente no pueden resolverse, pueden ser resueltos después de obtener más información acerca del problema.
El aprendizaje adaptativo es una importante características de las redes neuronales. Esto es, aprenden a realizar tareas mediante un entrenamiento con ejemplos ilustrativos del problema a resolver. Como las redes neuronales pueden aprender a diferenciar patrones mediante ejemplos y entrenamientos, no es necesario elaborar modelos a priori ni hay necesidad de especificar funciones de distribución de probabilidad.
Este trabajo de Tesis propone técnicas neuronales para realizar inspección visual automática, introduce el desarrollo de una nueva arquitectura basada en redes neuronales convolucionales, denominada Arquitectura Espiral Descendente Convolucional (AEDC), para generar de forma automática filtros digitales aplicables en diversos sistemas de inspección mediante visión artificial.
Se presentan los resultados experimentales de esta arquitectura aplicada en la detección de defectos pitch y shive en sus diferentes tipos o categorías en pasta de papel de imágenes obtenidas en un medio ambiente de fabricación real. Se han generado filtros para varios tipos de defecto y de acuerdo con el análisis de resultados se ha encontrado un excelente desempeño de estos en su aplicación.
ABSTRACT
Automatic inspection is critical in today’s manufacturing processes due to speed and standards. Neural network based systems allow a compromise between resolution and processing speed.
Neural networks have the capacity to emulate characteristics of human beings, like the capacity to memorize and to associate facts. Problems that cannot be resolved through an algorithm can be resolved by means of the experience, man, in fact, resolves many situations making use of its accumulated experience. Likewise man is capable of learning, considering that learning signifies that those problems that initially cannot be resolved, can be resolved after obtaining more information about the problem.
Adaptive learning is an important characteristic of neural networks, this is, they learn to carry out tasks by means of a training with illustrative examples of the problem to resolve. As the neural network can learn to differentiate patterns by means of examples and training, it is not necessary to devise a priori models neither probability distribution functions need to be specified.
This Thesis work proposes neural techniques to perform automatic visual inspection, introduces the development of a novel architecture based on convolutional neural networks, named Convolutional Top-Down Spiral Architecture, used to automatically generate digital filters for artificial vision inspection systems.
Experimental results of this architecture applied for the detection of pitch and shive defects of different types or categories over paper pulp images gathered in a real environment are presented. Many digital filters have been generated for detecting different types of defects, and according to the results analysis its performance is excellent for this application.
La inspección automática en los actuales procesos de fabricación es crucial, debido tanto a la velocidad de los mismos como a los estándares de calidad que se persiguen. Los sistemas basados en redes neuronales permiten un compromiso entre resolución y velocidad de procesamiento.
Las redes neuronales tienen la capacidad de emular características propias de los seres humanos, como la capacidad de memorizar y de asociar hechos. Los problemas que no pueden resolverse a través de un algoritmo pueden resolverse mediante la experiencia, el hombre, de hecho, resuelve muchas situaciones haciendo uso de su experiencia acumulada. Igualmente el hombre es capaz de aprender, considerando que el aprendizaje significa que aquellos problemas que inicialmente no pueden resolverse, pueden ser resueltos después de obtener más información acerca del problema.
El aprendizaje adaptativo es una importante características de las redes neuronales. Esto es, aprenden a realizar tareas mediante un entrenamiento con ejemplos ilustrativos del problema a resolver. Como las redes neuronales pueden aprender a diferenciar patrones mediante ejemplos y entrenamientos, no es necesario elaborar modelos a priori ni hay necesidad de especificar funciones de distribución de probabilidad.
Este trabajo de Tesis propone técnicas neuronales para realizar inspección visual automática, introduce el desarrollo de una nueva arquitectura basada en redes neuronales convolucionales, denominada Arquitectura Espiral Descendente Convolucional (AEDC), para generar de forma automática filtros digitales aplicables en diversos sistemas de inspección mediante visión artificial.
Se presentan los resultados experimentales de esta arquitectura aplicada en la detección de defectos pitch y shive en sus diferentes tipos o categorías en pasta de papel de imágenes obtenidas en un medio ambiente de fabricación real. Se han generado filtros para varios tipos de defecto y de acuerdo con el análisis de resultados se ha encontrado un excelente desempeño de estos en su aplicación.
ABSTRACT
Automatic inspection is critical in today’s manufacturing processes due to speed and standards. Neural network based systems allow a compromise between resolution and processing speed.
Neural networks have the capacity to emulate characteristics of human beings, like the capacity to memorize and to associate facts. Problems that cannot be resolved through an algorithm can be resolved by means of the experience, man, in fact, resolves many situations making use of its accumulated experience. Likewise man is capable of learning, considering that learning signifies that those problems that initially cannot be resolved, can be resolved after obtaining more information about the problem.
Adaptive learning is an important characteristic of neural networks, this is, they learn to carry out tasks by means of a training with illustrative examples of the problem to resolve. As the neural network can learn to differentiate patterns by means of examples and training, it is not necessary to devise a priori models neither probability distribution functions need to be specified.
This Thesis work proposes neural techniques to perform automatic visual inspection, introduces the development of a novel architecture based on convolutional neural networks, named Convolutional Top-Down Spiral Architecture, used to automatically generate digital filters for artificial vision inspection systems.
Experimental results of this architecture applied for the detection of pitch and shive defects of different types or categories over paper pulp images gathered in a real environment are presented. Many digital filters have been generated for detecting different types of defects, and according to the results analysis its performance is excellent for this application. Read More
Related posts:
Exploración de métodos de Deep learning para la detección de correo spam
Escalado y reconstrucción de imágenes
Estudio y prototipo exploratorio para el análisis, detección y predicción de patrones oscuros web con reconocimiento de imágenes
Optimización y evaluación de Graph Neural Networks para la predicción de efectos secundarios en el conjunto de datos ogbl-ddi
Generación de modelos neuronales mediante interfaces gráficas GENEXNET
Deep Learning aplicado a imagen médica. Segmentación imágenes de colecistectomía laparoscópica