Tekoälyllä tuettu visuaalinen laadunvalvonta

Abstract

Insinöörityössä tutkittiin tekoälyn ja konenäön hyödyntämistä teollisessa laadunval-vonnassa sekä arvioitiin syväoppimiseen perustuvan kuvantunnistusmallin soveltu-vuutta viallisten tuotteiden tunnistamiseen. Työssä hyödynnettiin MVTec Anomaly Detection -aineistoa ja esikoulutettua ResNet50-konvoluutiohermoverkkoa siirto-oppimisen avulla. Mallin suorituskykyä arvioitiin mittareilla, kuten tarkkuus- (accura-cy), täsmällisyys- (precision), tunnistusherkkyys- (recall) ja F1-mittareilla sekä se-kaannusmatriisin avulla.

Tulokset osoittivat, että malli toimi hyvin yksinkertaisemmassa tekstuuripohjaista pintarakennetta kuvaavassa carpet-aineistossa. Hankalampaa geometristä ristikko-rakennetta sisältävässä grid-aineistossa suorituskyky jäi heikommaksi virheiden hienovaraisuuden ja datan epätasapainon vuoksi. Tulokset korostavat, että pelkkä tarkkuusmittari ei riitä arvioimaan mallin toimivuutta laadunvalvonnassa. Työn pe-rusteella konenäkö soveltuu erityisesti tilanteisiin, joissa virheet ovat visuaalisesti selkeitä. Mallin suorituskyky riippuu kuitenkin datan laadusta, määrästä ja raken-teesta. Lisäksi päätöskynnyksen säätäminen mahdollistaa sen mukauttamisen eri käyttötarpeisiin.