Henkilöauton korivaurion tunnistus YOLO-tekniikkaa käyttäen
Ratavaara, Joni (2022)
Ratavaara, Joni
2022
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2022110121839
https://urn.fi/URN:NBN:fi:amk-2022110121839
Tiivistelmä
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.
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.