Defektdetektering av komponenter med hjälp av artificiell intelligens
Ena, David (2023)
2023
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-2023060823009
https://urn.fi/URN:NBN:fi:amk-2023060823009
Tiivistelmä
Syftet med examensarbetet var att testa defektdetektering på en typ av reflektor med hjälp av fritt tillgängliga AI program. Olika typer av program och metoder skulle testas för att få en uppfattning om hur bra de presterar och vilka typer av defekter som kan detekteras.
De olika metoder som testades var bildklassificering, objektdetektering och segmentering. AI-modeller med dessa metoder tränas i fyra olika program: LandingLens, Sentisight AI och Clarifai som alla är webbaserade AI plattformar, och Fastai som är ett programmeringsbibliotek för Python som man kan använda för att bygga upp egna modeller.
Av de metoder och program som testades så presterar bildklassificering i LandingLens bäst. Med rätt konfidensgräns så kan man nå 100 % noggrannhet på testbilderna. Segmentering fungerar inte alls medan objektdetektering och bildklassificering i de andra programmen ger varierande resultat på 80 till 95 % noggrannhet. Alla defekter kan detekteras med åtminstone någon av modellerna, men många modeller har problem med mörkare och ljusare bilder. Objektdetekteringen har också problem med stora defekter som vissa typer av fettfläckar. The purpose of this thesis was to test defect detection on a specific type of reflector with freely available AI programs. Different types of programs and methods would be tested to get an idea of how well they perform and what types of defects can be detected.
The different methods used were image classification, object detection and segmentation. AI models using these methods are trained in four different programs: LandingLens, Sentisight AI, Clarifai and Fastai. LandingLens, Sentisight AI and Clarifai are all web-based AI platforms, while Fastai is a library for Python that can be used to build your own models.
Among the methods and programs tested, image classification in LandingLens performed the best. With the right confidence threshold, 100 % accuracy could be reached on the test set. Segmentation didn’t work at all, while object detection and image classification in the other programs gave varying results between 80–95 % accuracy. Every type of defect could be detected with at least one of the models, but many models had problems with darker and brighter images. Object detection also had problems with larger defects, such as certain types of grease stains.
De olika metoder som testades var bildklassificering, objektdetektering och segmentering. AI-modeller med dessa metoder tränas i fyra olika program: LandingLens, Sentisight AI och Clarifai som alla är webbaserade AI plattformar, och Fastai som är ett programmeringsbibliotek för Python som man kan använda för att bygga upp egna modeller.
Av de metoder och program som testades så presterar bildklassificering i LandingLens bäst. Med rätt konfidensgräns så kan man nå 100 % noggrannhet på testbilderna. Segmentering fungerar inte alls medan objektdetektering och bildklassificering i de andra programmen ger varierande resultat på 80 till 95 % noggrannhet. Alla defekter kan detekteras med åtminstone någon av modellerna, men många modeller har problem med mörkare och ljusare bilder. Objektdetekteringen har också problem med stora defekter som vissa typer av fettfläckar.
The different methods used were image classification, object detection and segmentation. AI models using these methods are trained in four different programs: LandingLens, Sentisight AI, Clarifai and Fastai. LandingLens, Sentisight AI and Clarifai are all web-based AI platforms, while Fastai is a library for Python that can be used to build your own models.
Among the methods and programs tested, image classification in LandingLens performed the best. With the right confidence threshold, 100 % accuracy could be reached on the test set. Segmentation didn’t work at all, while object detection and image classification in the other programs gave varying results between 80–95 % accuracy. Every type of defect could be detected with at least one of the models, but many models had problems with darker and brighter images. Object detection also had problems with larger defects, such as certain types of grease stains.