Maskininlärning inom kvalitetssäkring av produktionsdetaljer
- Authors
- Publication Date
- Jan 01, 2024
- Source
- DiVA - Academic Archive On-line
- Keywords
- Language
- Swedish
- License
- Green
- External links
Abstract
Under produktionen av plåtdetaljer är det vanligt att defekta komponenter förekommer. I dagens samhälle är det viktigare än någonsin att sträva efter effektiva processer som leder till ekonomiska, ekologiska och sociala förbättringar. Detta beror på nya bestämmelser och krav som ställs på företag i samband med utveckling och hållbarhet. Genom att främja dessa områden blir företag konkurrenskraftiga och kan utmärka sig från andra industrier med liknande produktion. Möjligheten att använda ett system som kan kvalitetsbedöma detaljer med hjälp av artificiell intelligens genom kameror och datorer har nyligen visat betydande framsteg och ökat i popularitet. Projektets fokus är att framställa en modell som kan detektera defekter i form av sprickor med hjälp av objektdetekteringsalgoritmen YOLOv7. Under framställningen av modellen användes olika metoder och tillämpningar för att utvärdera vilken metod som gav bäst resultat. Dessa metoder innefattar datautökning genom data augmentation och transfer learning. Data augmentation innebär att den data som används för att träna detekteringsmodeller kan modifieras och utökas genom manipulationer såsom rotation, ljus- och kontrastförändringar, för att nämna några exempel. Transfer learning utnyttjar tidigare tränade vikter för att extrahera egenskaper ur bilder. Dessa vikter har erhållits genom modellträning med stora dataset, där vikterna anpassats för optimal egenskapsextraktion från bilder. Resultaten av detta arbete visar att det är möjligt att tillämpa kvalitetskontroll inom metallindustrin på en semi- eller helautomatiserad nivå, beroende på hur modellerna tränas både före och under tillämpningen. Testresultat i denna studie presenteras med en upplösning på 1 % gällande igenkänningsprestanda. Den slutgiltiga modellen tränades på 909 bilder, vilket inkluderade defekta, icke-defekta och bakgrundsbilder, som utökats genom datautökning. Modellen testades på 100 bilder, varav 10 var defekta och de resterande 90 var icke-defekta. Studien visade att samtliga defekta detaljer detekterades korrekt, medan 4 av de 90 icke-defekta detaljerna felaktigt detekterades som defekta. Detta ger en recall på 100 % och en precision på 71 % med ett konfidensgränsvärde på 0,6.