Mölkky-keilojen virheiden tunnistus : Syväoppimisen hyödyntäminen teollisuudessa
Laine, Leo Sakari (2025)
2025
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-2025121135079
https://urn.fi/URN:NBN:fi:amk-2025121135079
Tiivistelmä
Tässä opinnäytetyössä kehitettiin konenäköohjelma, joka tunnistaa virheelliset Mölkky-pelin keilat liikkuvalta kuljettimelta. Syväoppimista hyödyntäen ohjelma opetettiin tunnistamaan virheellisiä keiloja. Järjestelmä tuottaa I/O-signaalin, jota voidaan käyttää virheellisten keilojen poistamiseen kuljettimelta.
Toimeksiantajana oli Mölkky Oy, joka valmistaa puusta tehtyjä pihapelejä. Tarve konenäköjärjestelmälle syntyi aiemmista projekteista, joiden aikana pohdittiin virheiden tunnistamista valmistusprosessin alkupäässä. Syväoppiminen valittiin, koska se soveltui hyvin tehtävään ja oli sopiva aihe opinnäytetyölle.
Järjestelmä koostuu kamerasolusta ja kolmesta eri Python-ohjelmasta. Nämä ohjelmat käsittelevät kuvien tallentamisen, tekoälymallin opettamisen ja mallin vertailun kuljettimella liikkuviin keiloihin. Kameroiksi valittiin neljä kappaletta teollisuuskonenäkökameroita, joille rakennettiin kameratelineet kuljettimen ympärille. Kuvananalyysiin käytettiin Pythonilla tehtyä koodia, joka hyödyntää OpenCV- sekä IDS-Peak-kirjastoja. Syväoppimismallin opettamiseen valittiin avoimen lähdekoodin Anomalib-kirjasto.
Virheellisten keilojen tunnistaminen tapahtui vertaamalla reaaliaikaisia kuvia syväoppimismalliin. Tämä malli oli opetettu virheettömistä keilakuvista. Tunnistustarkkuutta voitiin säätää virheellisten tunnistustulosten minimoimiseksi.
Toimeksiantajana oli Mölkky Oy, joka valmistaa puusta tehtyjä pihapelejä. Tarve konenäköjärjestelmälle syntyi aiemmista projekteista, joiden aikana pohdittiin virheiden tunnistamista valmistusprosessin alkupäässä. Syväoppiminen valittiin, koska se soveltui hyvin tehtävään ja oli sopiva aihe opinnäytetyölle.
Järjestelmä koostuu kamerasolusta ja kolmesta eri Python-ohjelmasta. Nämä ohjelmat käsittelevät kuvien tallentamisen, tekoälymallin opettamisen ja mallin vertailun kuljettimella liikkuviin keiloihin. Kameroiksi valittiin neljä kappaletta teollisuuskonenäkökameroita, joille rakennettiin kameratelineet kuljettimen ympärille. Kuvananalyysiin käytettiin Pythonilla tehtyä koodia, joka hyödyntää OpenCV- sekä IDS-Peak-kirjastoja. Syväoppimismallin opettamiseen valittiin avoimen lähdekoodin Anomalib-kirjasto.
Virheellisten keilojen tunnistaminen tapahtui vertaamalla reaaliaikaisia kuvia syväoppimismalliin. Tämä malli oli opetettu virheettömistä keilakuvista. Tunnistustarkkuutta voitiin säätää virheellisten tunnistustulosten minimoimiseksi.