Automaatiolaboratorion pellettikoneen konenäköjärjestelmä
Keltakangas, Antti (2024)
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2024051713075
https://urn.fi/URN:NBN:fi:amk-2024051713075
Tiivistelmä
Insinöörityössä tehtiin konenäköjärjestelmä pellettikoneeseen, joka sijaitsi Metropolia Ammattikorkeakoulun Myyrmäen kampuksen automaatiolaboratoriossa. Pellettikoneessa oli ylä- ja alasäiliö, joiden välillä pelletit kiersivät erilaisilla kuljettimilla, kuten liukuhihnalla. Konenäköjärjestelmän tavoitteena oli tunnistaa liukuhihnalla kulkevia pellettejä ja vierasesineitä.
Ensin konenäköjärjestelmään suunniteltiin ohjelmisto, joka toteutettiin käyttämällä YOLOv8-tietokonenäkömallia ja Python-ohjelmointikieltä. Esikoulutettu YOLOv8-malli opetettiin tunnistamaan pellettejä itse kerätyllä datasetillä, joka koostui pellettikuvista ja kuvien merkkaustekstitiedostoista. Opetustyön tuloksena saatiin uusi YOLOv8-malli, jota käytettiin konenäköjärjestelmän Python-ohjelmassa. Seuraavaksi Python-ohjelmaan lisättiin HSV-värimallia käyttäviä arvoja, joilla pelletit ja vierasesineet erotettiin toisistaan.
Konenäköjärjestelmän laitteisto koottiin muovisesta suojakuvusta, LED-listasta ja webkamerasta. Konenäköjärjestelmän ohjelmistoa pyöritettiin kannettavalla tietokoneella. Käyttöönottotestauksien pohjalta konenäköjärjestelmä sijoitettiin pellettikoneen liukuhihnan loppupäähän. Liukuhihnan alkupäähän sijoitettiin erilaisia kiiloja, joilla pellettejä ohjattiin hallitummassa järjestyksessä konenäköjärjestelmän webkameran alle. Näillä toimilla parannettiin konenäköjärjestelmän tunnistustarkkuutta.
Insinöörityön tuloksena saatiin toimiva konenäköjärjestelmä. Seuraavaksi konenäköjärjestelmää voidaan jatkokehittää tuomalla se osaksi pellettikoneen toimintalogiikkaa.
Ensin konenäköjärjestelmään suunniteltiin ohjelmisto, joka toteutettiin käyttämällä YOLOv8-tietokonenäkömallia ja Python-ohjelmointikieltä. Esikoulutettu YOLOv8-malli opetettiin tunnistamaan pellettejä itse kerätyllä datasetillä, joka koostui pellettikuvista ja kuvien merkkaustekstitiedostoista. Opetustyön tuloksena saatiin uusi YOLOv8-malli, jota käytettiin konenäköjärjestelmän Python-ohjelmassa. Seuraavaksi Python-ohjelmaan lisättiin HSV-värimallia käyttäviä arvoja, joilla pelletit ja vierasesineet erotettiin toisistaan.
Konenäköjärjestelmän laitteisto koottiin muovisesta suojakuvusta, LED-listasta ja webkamerasta. Konenäköjärjestelmän ohjelmistoa pyöritettiin kannettavalla tietokoneella. Käyttöönottotestauksien pohjalta konenäköjärjestelmä sijoitettiin pellettikoneen liukuhihnan loppupäähän. Liukuhihnan alkupäähän sijoitettiin erilaisia kiiloja, joilla pellettejä ohjattiin hallitummassa järjestyksessä konenäköjärjestelmän webkameran alle. Näillä toimilla parannettiin konenäköjärjestelmän tunnistustarkkuutta.
Insinöörityön tuloksena saatiin toimiva konenäköjärjestelmä. Seuraavaksi konenäköjärjestelmää voidaan jatkokehittää tuomalla se osaksi pellettikoneen toimintalogiikkaa.