Jämförelse av kameraprogram med djupinlärning

Abstract

Detta examensarbete är en jämförelse och ett test av två olika kameraprogram som använder sig av djupinlärning för att granska bilder.

Syftet med examensarbetet var att ta reda på om det med hjälp av dessa program enkelt skulle gå att granska en produkt där det förekommer varierande defekter. Man hade tidigare konstaterat att det skulle vara väldigt svårt och ta lång tid att fånga dessa defekter med en vanlig smartkamera, så uppgiften blev då att testa två djupinlärningslösningar från företagen MVTec och Cognex. Från MVTec så testades Halcon i samband med Deep Learning Tool och från Cognex så testades In-Sight Vision Suite där djupinlärningsprogrammet In-Sight ViDi fanns integrerat.

Arbetets praktiska del gick ut på att ta i bruk de olika programmen och jämföra båda tillverkarnas lösningar. Saker som jämförs är programmens djupinlärningsmetoder, svårighetsgraden att få i gång ett system, precision, hur små variationer som kan detekteras och flexibiliteten för användaren av programmet. Målet var dock inte att skapa några helt fungerande system, utan att utvärdera programmen och deras egenskaper för att se ifall de skulle lämpa sig för granskningen av en viss produkt på företaget Prevex.

Resultatet blev en kortfattad introduktion till djupinlärning, samt dokumentation av testningen av kameraprogrammen och en jämförelse mellan programmen.

Tämä opinnäytetyö on kahden erilaisen kameraohjelman vertailu ja testi, jotka käyttävät syväoppimista kuvien tarkastelussa.

Opinnäytetyön tarkoituksena oli selvittää, olisiko näillä ohjelmilla mahdollista helposti tarkastaa tuote, jossa on erilaisia vikoja. Aiemmin oli todettu, että näiden vikojen havaitseminen tavallisella älykameralla olisi erittäin vaikeaa ja kestää kauan, joten tehtäväksi tuli sitten testata kahta syväoppimisratkaisua MVTec- ja Cognex-yhtiöiltä. MVTecistä Halconia testattiin Deep Learning Toolin yhteydessä ja Cognexista In-Sight Vision Suitea, johon integroitiin syväoppimisohjelma InSight ViDi.

Työn käytännön osa sisälsi eri ohjelmien käyttöönottoa ja molempien valmistajien ratkaisujen vertailua. Verrattavia asioita ovat ohjelmien syväoppimismenetelmät, järjestelmän käyttöönoton vaikeus, tarkkuus, pienten vaihteluiden havaitseminen ja joustavuus ohjelman käyttäjän kannalta. Tavoitteena ei kuitenkaan ollut luoda täysin toimivia järjestelmiä, vaan arvioida ohjelmia ja niiden ominaisuuksia ja katsoa, soveltuuko ne Prevex-yhtiön tietyn tuotteen arviointiin.

Tuloksena oli lyhyt johdatus syvään oppimiseen sekä kameraohjelmien testauksen dokumentointi ja ohjelmien vertailu.

This thesis is a comparison and a test of two different camera programs that use deep learning to examine images.

The purpose of the thesis was to find out if it would be possible to easily inspect a product with various defects using these programs. It had previously been established that it would be very difficult and take a long time to catch these defects with a regular smart camera, so the task then became to test two deep learning solutions from the companies MVTec and Cognex. From MVTec, Halcon was tested along with the Deep Learning Tool and from Cognex, the In-Sight Vision Suite was tested where the deep learning program In-Sight ViDi was integrated.

The practical part of the work involved putting the various programs into use and comparing both manufacturers' solutions. Things that are compared are the programs' deep learning methods, the difficulty of getting a system up and running, precision, how small variations can be detected, and the flexibility for the user of the program. However, the goal was not to create any fully functional systems, but to evaluate the programs and their characteristics to see if they would be suitable for the review of a certain product at the company Prevex.

The result was a brief introduction to deep learning, as well as documentation of the testing of the camera programs and a comparison between the programs.