Министерство образования и науки Пермского края краевое государственное автономное профессиональное образовательное учреждение «Пермский авиационный техникум им. А.Д. Швецов» Курсовой проект «Определение дефектов на листах шпона» АТКП.15.02.10.19.119 Руководитель: Ситчихин О.В. Студент: Плотников П.И. Группа: МХ-19-1 Цель – продемонстрировать применение нейронных сетей и программного обеспечения Halcon в области инспекции листов шпона и показать, что этот подход может значительно улучшить качество и эффективность процесса производства. Задачи: 1. 2. 3. 4. 5. Проанализировать характеристику листов шпона, его назначение и область применение; Описание дефектов на листах шпона и их диагностика; Описание нейронной сети и технического зрения; Определение оптимального математического метода для выявления дефектов; Разработка алгоритма выявление дефектов на листах шпона. Виды листов шпона Лист шпона без дефектов Лист шпона с дефектами Основы технического зрения Halcon Программное окно Halcon • Halcon — это программное обеспечение для машинного зрения, которое используется для автоматической обработки изображений и распознавания объектов. Алгоритм выявления дефектов на листах шпона 1. Камера 2. Классические алгоритмы и методы обработки изображений 3. DETECT OBJECT 6. Классические алгоритмы обработки изображений 4. Классические алгоритмы и методы обработки изображений 5. CLASSIFIER Метод распознавания object detection Принцип работы градиентного спуска в deep learning заключается в оптимизации параметров модели путем минимизации функции потерь. Градиентный спуск - это итеративный метод оптимизации, который позволяет найти минимум функции потерь путем изменения параметров модели в направлении наиболее быстрого уменьшения функции потерь. Оценка моделей Нейронные сети позволяют автоматически обрабатывать изображения и обнаруживать дефекты поверхности с высокой точностью. Нейронные сети (нейросети) — это компьютерные системы, созданные для обработки информации, использующие алгоритмы, которые имитируют работу человеческого мозга. Метод оптимизации нейронных сетей Функция ошибки E(W) определяется как среднеквадратичная ошибка между предсказанным значением y и целевым значением t: График с изолиниями (вид сверху) Цель состоит в том, чтобы найти оптимальные значения параметров W, которые минимизируют функцию ошибки E(W). Для этого используется метод градиентного спуска, который основывается на определении градиента функции ошибки по параметрам W: Минимумы функции ошибки Коэффициент скорости обучения α определяет размер шага, который делается в направлении градиента: Заключение В работе был рассмотрен метод градиентного спуска и технология определения дефектов на листах шпона, такие как техническое зрение и нейронные сети. Метод позволил подобрать правильные гиперпараметры в обучении нейронной сети при создании модели и успешно определять дефекты на листах шпона. Для успешной реализации процесса определения дефектов на листах шпона необходимо учитывать не только технические аспекты, но и организационные. Важно иметь правильный подход к организации процесса, а также обеспечить обучение и поддержку персонала, работающего с оборудованием.
