Visual inspection using deep learning techniques for industrial manufacturing processes with class imbalance and limited labeled data
Date
2020-12COAR
Tesis de maestríaShare this record
Metadata
Show full item record
PDF documents
English Title
Visual inspection using deep learning techniques for industrial manufacturing processes with class imbalance and limited labeled dataResumen
En los últimos años se ha utilizado la visión por ordenador para realizar inspecciones visuales en procesos industriales. Sin embargo, el procesamiento de imágenes convencional se limita a escenarios muy controlados y a tareas específicas como la lectura e identificación de códigos de barras, el calibrado y el dimensionamiento, la inspección básica de materiales y la localización y el recuento. En los procesos industriales, otras tareas de inspección visual requieren técnicas sofisticadas, por ejemplo, la detección y segmentación avanzada de defectos, la localización de características y la verificación de ensamblajes, entre otras. En la actualidad, estas tareas implementan técnicas de aprendizaje automático basadas en el aprendizaje profundo para lograr un rendimiento superior al de la inspección manual. Por lo general, se considera que el enfoque de aprendizaje profundo requiere muchos datos etiquetados para generar un modelo aceptable, lo que a menudo obstaculiza la adopción generalizada del aprendizaje profundo en las industrias que están limitadas a la disponibilidad de datos etiquetados. Por otra parte, como es natural en la inspección visual, los defectos están presentes con menos frecuencia que las piezas regulares, creando así un desbalance de clases que podría complicar el entrenamiento de un modelo robusto de aprendizaje profundo. Por otro lado, otras técnicas de aprendizaje de máquina aplicadas a la inspección visual requieren experiencia en ingeniería de características para crear un modelo y, a menudo, los resultados se limitan a características muy específicas que no pueden extrapolarse a un entorno, material o rasgo diferente a identificar. El objetivo de este proyecto es desplegar un algoritmo de aprendizaje profundo para la inspección visual que trate el desbalance de clases y la disponibilidad de datos en un caso de estudio (inspección de la superficie de láminas de acero), presentando diferentes enfoques utilizados para lograr el modelo final.
Abstract
In recent years computer vision have been used to perform visual inspection in industrial processes. However, conventional image processing is limited to high-controlled scenarios and specific tasks such bar-code reading and identification, gauging and measurement, basic material inspection and, location and counting. In industrial processes other visual inspection tasks require well-developed techniques, for instance, advanced defect detection and segmentation, feature location, and assembly verification, amongst others. Nowadays, these tasks implement machine learning techniques based on deep learning to achieve outstanding performance over manual inspection. Usually, it is believed that the deep learning approach requires many labeled data to generate an acceptable model, this often hinders the widespread adoption of deep learning in industries which are limited to the availability of labeled data. Additionally, as it is natural in visual inspection, defects are present less frequent than regular pieces, thus creating a class imbalance that could complicate the training of a robust deep learning model. On the other hand, other machine learning techniques applied to visual inspection require expertise in feature engineering to create a model and often the results are limited to very specific characteristics that cannot be extrapolated to a different environment, material or characteristic to be identified. The purpose of this project is to deploy a deep learning algorithm for visual inspection that deals with class imbalance and data availability in a case of study (steel sheet surface inspection), presenting different approaches used to achieve the final model.
Collections
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 4.0 Internacional