Lataa esitys
Esittely latautuu. Ole hyvä ja odota
JulkaistuTaisto Hukkanen Muutettu yli 10 vuotta sitten
1
Laaduntarkastuslaitteen visuaalinen opettaminen
Olli Silvén, Oulun yliopisto Heinola Machine Vision Group Department of Electrical and Information Engineering
2
Department of Electrical and Information Engineering
Konenäkömenetelmä kuvanmuodostus esikäsittely segmentointi piirteiden irrotus tunnistus ja tulkinta Opettaminen tunnistustulokset valaisun tasoitus värien korjaus värimuunnokset suodatus taustan poisto liittyvyysanalyysi kohteiden ilmaisu muoto (2D/3D) väri tekstuuri kohteiden tunnistus kohderyhmien tunnistus Machine Vision Group Department of Electrical and Information Engineering
3
Department of Electrical and Information Engineering
Sahatavaran laadutuksen problematiikkaa (1) ulkonäöltään vaihteleva materiaali vaihtelevat ulkonäkökriteerit kasvupaikka vaikuttaa ulkonäköön: kloonitkin eroavat... Machine Vision Group Department of Electrical and Information Engineering
4
Department of Electrical and Information Engineering
Sahatavaran laadutuksen problematiikkaa (2) standardien biologinen ominaisuuksien luokittelu konenäkö mahdollistaa vain ulkonäköperusteisen luokittelun Terveitä oksia Kuivia oksia Machine Vision Group Department of Electrical and Information Engineering
5
Department of Electrical and Information Engineering
Sahatavaran laadutuksen problematiikkaa (3) laadutuksen yhdistäminen sahauksen optimointiin(?) (kuva R&R Nordic Oy:n luvalla, kuvaaja Risto Ihatsu) Machine Vision Group Department of Electrical and Information Engineering
6
“oppikirja- luokittelija”
Laaduntarkastuslaitteen opettaminen: oppikirjaratkaisu 1. Kerätään ja nimetään edustava joukko näytteitä 2. Opetetaan luokittelija 3. Käynnistetään laaduntarkastus… Ongelmat: virittäminen ja uudelleenopetus voi olla ylivoimaisen työlästä ihmisen tekemä nimeäminen ei aina ole johdonmukaista luokitellut viat “oppikirja- luokittelija” vikanäytteet näytteiden nimeäminen vikojen ilmaisu piirteiden laskenta keruu Machine Vision Group Department of Electrical and Information Engineering
7
Department of Electrical and Information Engineering
Oppia kantapään kautta eli laaduntarkastustutkimusta 1983- Piirilevyjen tarkastustekniikka ( ) CAD-mallista lähtevä vertailu + ei tarvinnut opetusta! Metallipintojen tarkastustekniikka I ( X) perinteinen ”blobi”-analyysimenetelmä - opetus näytteiden avulla... Puupintojen tarkastustekniikka (1986, ) perinteinen ”blobi”-analyysi + väri-tieto - opetus näytteiden avulla... Machine Vision Group Department of Electrical and Information Engineering 1
8
Department of Electrical and Information Engineering
Puupintojen tarkastustutkimuksen alkuvaiheita puun ominaisuuksien ymmärtämisen opiskelua lopulta käsin luokiteltua näytettä Machine Vision Group Department of Electrical and Information Engineering 1
9
Department of Electrical and Information Engineering
Puupintojen tarkastustustutkimuksen tuloksia Asiantuntijoiden tekemän laadutuksen yhdenmukaisuus: 70%... Oksien opetus asiantuntijoiden valmistelemalla näytteistöllä: 80% tarkkuus Johtopäätös: onko erikseen nimetyillä näytteillä opettaminen järkevää? heikko tarkkuus & valtava työmäärä... Arvokas tulos: tehokkaat väripiirteet Väricentilen määritys esim. sininen 10% intensiteetti 10% centile 10% 90% N Värihistogrammi Machine Vision Group Department of Electrical and Information Engineering
10
Laaduntarkastuslaitteen opettaminen: teollinen ratkaisu
1. Toteutetaan sääntöpohjainen luokittelija 2. Määritetään sääntöjen parametrit 3. Käynnistetään laaduntarkastus… Ongelmat: virittäminen vaatii tietoa luokittelijasta, mikä voi olla hidasta oppia parametrien viritys huomatut luokitteluvirheet piirteiden laskenta sääntöpohjainen luokittelija vikojen ilmaisu luokittelu- tulos Machine Vision Group Department of Electrical and Information Engineering
11
Department of Electrical and Information Engineering
Opetusnäyteongelma Nimeä näytteet! Machine Vision Group Department of Electrical and Information Engineering
12
Uusi opetusratkaisu: visuaalinen opettaminen
1. Klusteroidaan ilmaisun tuottamat näytteet esim. SOM-kartalle 2. Määrätään luokkarajat kartalle 3. Käytetään karttaa luokitteluun Ongelma: SOMin opetus saattaa vaatia näytemateriaalin valintaa = työtä klusterien nimeäminen näkymä klustereihin luokittelu & visualisointi SOM (2-D-esitys) piirteiden laskenta vikojen ilmaisu tai jopa kaikki näytteet! luokittelutulos Machine Vision Group Department of Electrical and Information Engineering
13
Department of Electrical and Information Engineering
SOM SOM kuvaa korkeaulotteisen data-avaruuden matalaulotteiseksi naapuruston säilyttäväksi verkoksi N-ulotteinen data-avaruus Piirre 1 Piirre 2 Piirre N Piirre 3, … SOM Piirre 2, … Piirre 1 Machine Vision Group Department of Electrical and Information Engineering
14
SOM-pohjainen visuaalinen tarkastusmenetelmä
Tunnistusmenetelmä Käyttöliittymä kuvadata tulokset Machine Vision Group Department of Electrical and Information Engineering
15
Department of Electrical and Information Engineering
Itseorganisoivan kartan klustereiden sisältöä Ilmeisiä kuivia oksia Ilmeisiä terveitä oksia Halkeamia Machine Vision Group Department of Electrical and Information Engineering 1
16
Visuaalisen opetuksen käyttöliittymä
Machine Vision Group Department of Electrical and Information Engineering
17
Visuaalisen opetuksen jatkokehitys (1)
Visuaalisen opetuksen perusideat: opetusnäytteet esitetään kuvakarttana, jossa samankaltaiset sijaitsevat lähekkäin ja erilaiset kaukana toisistaan ei yksittäisten opetusnäytteiden nimeämistä – virhealttius vähenee ihminen päättää kartan perusteella luokkarajoista kartta on ”koneen näkymä dataan” - auttaa ihmistä ymmärtämään Machine Vision Group Department of Electrical and Information Engineering
18
Visuaalisen opetuksen jatkokehitys (2)
SOMilla on heikkoutensa: harvinaiset viat ja piirreavaruuden reunat jäävät aliedustetuiksi piirteiden skaalaus saattaa tehdä piirreyksityiskohdista merkityksettömiä kuvaus moniulotteisesta kaksiulotteiseksi ei välttämättä ole aina selkeä Muita visualisointi- ja ulottuvuuksienvähennysmenetelmiä: PCA, Principal component analysis MDS, Multidimensional scaling ISOMAP, Isometric feature mapping LLE, Locally linear embedding GTM, Generative topographic mapping Machine Vision Group Department of Electrical and Information Engineering
19
Esimerkki ISOMAPin soveltamisesta puunäytteille
Machine Vision Group Department of Electrical and Information Engineering
20
Department of Electrical and Information Engineering
Tulevaisuuden visio materiaali opitaan ilman ihmisen tekemää valintaa hyvin yksinkertainen käyttöliittymä laadutus yhdistyy sahausprosessiin vaihtoehto tomografialle (kuva R&R Nordic Oy:n luvalla, kuvaaja Risto Ihatsu) Machine Vision Group Department of Electrical and Information Engineering
21
Department of Electrical and Information Engineering
Muita visuaalisen opetuksen sovellutuskohteita paperi ruoka-aineet metallipinnat kasvispektrografia Machine Vision Group Department of Electrical and Information Engineering
Samankaltaiset esitykset
© 2024 SlidePlayer.fi Inc.
All rights reserved.