Export Ready — 

Automated Visual Inspection Using Convolutional Neural Networks: An Industrial Assembly Application

Bibliographic Details
Main Author: Roxo, Carlos André Mendes de Almeida
Publication Date: 2024
Format: Master thesis
Language: eng
Source: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Download full: https://hdl.handle.net/10316/117785
Summary: Dissertação de Mestrado em Engenharia Física apresentada à Faculdade de Ciências e Tecnologia
id RCAP_c8fa62a7688c6b19ace8fccebf7bbf42
oai_identifier_str oai:estudogeral.uc.pt:10316/117785
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Automated Visual Inspection Using Convolutional Neural Networks: An Industrial Assembly ApplicationInspeção Visual Automática com Redes Neuronais Convolucionais: Uma Aplicação numa Montagem IndustrialAutomated Visual InspectionIndustrial AutomationComputer VisionConvolutional Neural NetworksSynthetic Data GenerationInspeção Visual AutomáticaAutomação IndustrialVisão ComputacionalRedes Neurais ConvolucionaisProdução de Dados SintéticosDissertação de Mestrado em Engenharia Física apresentada à Faculdade de Ciências e TecnologiaEm estações de trabalho industriais modernas, manter consistentemente e eficiêntemente a qualidade dos produtos é um desafio significativo. A falta de automação reduz a produtividade e dificulta manter padrões altos de controlo de qualidade. O rápido avanço da tecnologia, particularmente em visão computacional e aprendizagem máquina, apresenta uma oportunidade para enfrentar esses problemas. Torna-se, cada vez mais critica, a necessidade de um sistema de inspeção automático e confiável que possa operar em tempo real e integrar-se aos fluxos de trabalho existentes. Esta dissertação apresenta o desenvolvimento de um sistema de visão computacional baseado em redes neurais convolucionais profundas para a inspeção automatizada da montagem de um cilindro de ar compacto. O sistema é dividido em dois módulos principais: um módulo de deteção do cilindro e um módulo de classificação de defeitos.Nesta dissertação, são discutidas várias abordagens e metodologias, incluindo o design e a implementação de uma arquitetura de classificação personalizada, que utiliza a EfficientNet como base para extração de características e a rede YOLOv8 para deteção de objetos. São realizados testes extensivos com diversas técnicas de recolha de dados, métodos de pré-processamento, arquiteturas de modelos e parâmetros de treinamento. Destaca-se a utilização de ambientes simulados para a recolha de dados, o que permite um controlo preciso sobre variáveis ambientais como iluminação, texturas, ângulos de câmara e poses das peças. Esta abordagem aumenta significativamente a fiabilidade e escalabilidade do sistema, evidenciando o seu potencial para melhorar a automação em ambientes industriais.Os resultados indicam que o sistema demonstra uma alta precisão na deteção do cilindro e apresenta bom potencial para a classificação de defeitos. Os resultados de classificação sugerem que, com uma recolha de dados mais rigorosa, é possível treinar um modelo de classificação muito eficaz. O processo de renderização de imagens para o treino da rede revelou-se bem-sucedido, destacando a importância desta técnica. Contudo, o estudo também evidenciou uma subestimação da quantidade de dados necessários para um treino eficaz do modelo e sublinhou a necessidade de melhorar as técnicas de recolha de dados para melhorar a variabilidade destes. Estas melhorias são essenciais para garantir uma melhor generalização do modelo de classificação em condições diversas.Os resultados desta investigação indicam um potencial promissor. À medida que o desenvolvimento e o aperfeiçoamento continuam, as capacidades das técnicas de aprendizagem de máquina em sistemas de inspeção automatizados deverão tornar-se cada vez mais evidentes. Estes avanços podem desempenhar um papel crucial na resolução das lacunas existentes no campo.In modern industrial workstations, maintaining consistent product quality and efficiency is a significant challenge. The lack of automation reduces productivity and makes it difficult to maintain high-quality control standards. The rapid advancement of technology, particularly in computer vision and machine learning, presents an opportunity to address these issues. The need for a reliable, automated inspection system that can operate in real-time and integrate into existing workflows is becoming increasingly critical. This dissertation presents the development of a computer vision system based on deep convolutional neural networks for the automated inspection of a compact air cylinder's assembly. The system is divided into two main modules: a cylinder detection module and a defect classification module.Various approaches and methodologies are discussed in this dissertation, including the design and implementation of a custom classification architecture using an EfficientNet backbone for feature extraction and a YOLOv8 network for object detection. Extensive trials with different dataset gathering techniques, data preprocessing methods, model architectures, and training parameters are covered. The use of simulated environments for data gathering is highlighted, allowing precise control over environment settings such as lighting, textures, camera angles, and part poses. This approach significantly enhances the reliability and scalability of the system, demonstrating its potential to improve automation in industrial environments. The results suggest that the system is capable of detecting parts with a high degree of accuracy and shows potential for defect classification. The classification results indicate that, with more carefully gathered data, it may be possible to train a highly effective classification model. The process of rendering images for network training proved to be successful, underscoring the importance of this technique. However, the study also revealed an underestimation of the amount of data required for effective model training and highlighted the need for further development in rendering techniques to improve data variability. Such improvements are crucial for achieving better generalization of the classification model in diverse conditions.The results of this dissertation indicate promising potential. As continuous development and refinement progress, the capabilities of machine learning techniques in automated inspection systems are expected to become increasingly evident. These advancements can play a crucial role in addressing the existing gaps in the field.2024-09-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttps://hdl.handle.net/10316/117785https://hdl.handle.net/10316/117785TID:203826396engRoxo, Carlos André Mendes de Almeidainfo:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2025-01-22T23:07:55Zoai:estudogeral.uc.pt:10316/117785Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-29T06:11:40.894373Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Automated Visual Inspection Using Convolutional Neural Networks: An Industrial Assembly Application
Inspeção Visual Automática com Redes Neuronais Convolucionais: Uma Aplicação numa Montagem Industrial
title Automated Visual Inspection Using Convolutional Neural Networks: An Industrial Assembly Application
spellingShingle Automated Visual Inspection Using Convolutional Neural Networks: An Industrial Assembly Application
Roxo, Carlos André Mendes de Almeida
Automated Visual Inspection
Industrial Automation
Computer Vision
Convolutional Neural Networks
Synthetic Data Generation
Inspeção Visual Automática
Automação Industrial
Visão Computacional
Redes Neurais Convolucionais
Produção de Dados Sintéticos
title_short Automated Visual Inspection Using Convolutional Neural Networks: An Industrial Assembly Application
title_full Automated Visual Inspection Using Convolutional Neural Networks: An Industrial Assembly Application
title_fullStr Automated Visual Inspection Using Convolutional Neural Networks: An Industrial Assembly Application
title_full_unstemmed Automated Visual Inspection Using Convolutional Neural Networks: An Industrial Assembly Application
title_sort Automated Visual Inspection Using Convolutional Neural Networks: An Industrial Assembly Application
author Roxo, Carlos André Mendes de Almeida
author_facet Roxo, Carlos André Mendes de Almeida
author_role author
dc.contributor.author.fl_str_mv Roxo, Carlos André Mendes de Almeida
dc.subject.por.fl_str_mv Automated Visual Inspection
Industrial Automation
Computer Vision
Convolutional Neural Networks
Synthetic Data Generation
Inspeção Visual Automática
Automação Industrial
Visão Computacional
Redes Neurais Convolucionais
Produção de Dados Sintéticos
topic Automated Visual Inspection
Industrial Automation
Computer Vision
Convolutional Neural Networks
Synthetic Data Generation
Inspeção Visual Automática
Automação Industrial
Visão Computacional
Redes Neurais Convolucionais
Produção de Dados Sintéticos
description Dissertação de Mestrado em Engenharia Física apresentada à Faculdade de Ciências e Tecnologia
publishDate 2024
dc.date.none.fl_str_mv 2024-09-26
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/10316/117785
https://hdl.handle.net/10316/117785
TID:203826396
url https://hdl.handle.net/10316/117785
identifier_str_mv TID:203826396
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833602609979588608

Similar Items