Henkilöauton korivaurion tunnistus YOLO-tekniikkaa käyttäen

Abstract

Nykyisin yritykset keräävät paljon erilaista digitaalista dataa talteen toiminnoistaan ja tuotannostaan. Viime vuosien edistysaskeleet tekoälyn ja koneoppimisen alalla ovat tuoneet tämän datan hyödyntämiseen uudenlaisia työkaluja, joilla voidaan saada irti uudenlaisia hyötyjä. Niiden avulla yritysten prosesseja voidaan edelleen kehittää.

Tämän opinnäytetyön tarkoitus oli kouluttaa kapean tekoälyn kuvantunnistusmenetelmään pohjautuva, yksittäiset auton kolarivauriot kuvasta tunnistava koneoppimismalli, käyttäen apuna opinnäytetyön laatijan työpaikan arkistosta löytyvää kuvadataa. Tämänkaltaista automaattista vauriotunnistinta voisi käyttää apuna vauriokorjaamon vahinkotarkastusprosessissa tulevaisuudessa. Työssä käytettiin mallin opetusaineistona K-Auto Oy:n vauriokorjaamon vahinkotarkastuskuvia sekä AlexeyAB:n Darknet-arkkitehtuuria, joka hyödyntää YOLOv4-kuvantunnistusmenetelmää.

Malleja rakennettiin yhteensä kaksi kappaletta, ja ne koulutettiin tunnistamaan neljää eri vauriotyyppiä. Ensimmäinen malli toteutettiin tavallisella pöytätietokoneella ja toinen Tampereen ammattikorkeakoulun koneoppimiskuormien käsittelyyn rakennetulla tietokoneella. Molemmat mallit saatiin toimimaan, ja uusien vauriokuvien tunnistusta testattiin rohkaisevin tuloksin.

Työn tuloksena todettiin, että tämän kaltaisella vanhalla talteen jääneellä kuvadatalla on mahdollista kouluttaa toimiva, vauriot tunnistava malli. Samaa tekniikka hyödyntämällä onnistuisi tehdä laajempi ja yleisempi vauriotunnistin, joka koulutettaisiin kattavammalla opetusdatalla ja suuremmalla määrällä tunnistettavia luokkia.

Nowadays many companies collect masses of different kinds of digital data from their processes. Resent progress in the field of artificial intelligence and machine learning has provided new tools to utilize this company data and can provide new kinds of benefits to improve company’s processes further.

The objective of this thesis was to train an artificial intelligence -based object detection model that can recognize certain kinds of car body damages from car damage pictures. A larger scale damage detector could be used to help body shop’s damage inspections in coming years. In this proof of concept, the training data was gathered from K-Auto Oy’s body shop’s damage inspection offices and utilized AlexeyAB’s Darknet detection architecture with YOLOv4 object detection method.

Thesis includes two different damage detection models both of which were trained to detect four types of damages. The first model was trained with a desktop computer and the second model was trained with Tampere University of Applied Sciences computer built to handle machine learning workloads. Training of both models succeeded and detections were made with promising results.

Conclusion was that it is possible to use this kind of old data to train a viable damage detector. Using the same technique, it should be possible to manufacture a larger scale and more general damage detector, when it is trained with a considerably larger training data and with more damage categories.