Bruk av maskinlæring ved defektdeteksjon i innerbeholdere

Abstract

Formålet med denne oppgaven er å sammenligne ytelsen til en gitt maskinlæringsprogramvare med Hexagon Ragascos eksisterende system for defektdeteksjon på innerbeholdere, og undersøke hvordan mengden treningsdata påvirker maskinlæringsmodellens ytelse. For å undersøke dette ble maskinlæringsmodellen trent opp 28 ganger med varierende mengder gode og dårlige bilder. Maskinlæringsmodellene ble deretter testet på et sett med testbilder. Det eksisterende systemet, samt en alternativ konfigurasjon av det samme systemet, ble også testet på testbildene. For å kvantifisere ytelsen ble det utviklet et vektet gjennomsnitt av seks metrikker. Analysen viste at mengden gode og dårlige bilder ikke hadde noen betydelig påvirkning på maskinlæringsmodellens ytelse. Gjennomsnittet av det vektede gjennomsnittet for testene av maskinlæringsmodellen var 0,90731, mens det eksisterende systemet fikk 0,89992. Maskinlæringsmodellen er altså 0,7 prosentpoeng bedre. Den alternative konfigurasjonen oppnådde et vektet gjennomsnitt på 0,94513, som er 4,5 prosentpoeng bedre enn det eksisterende systemet. Forbedringen Hexagon Ragasco kan forvente ved overgang til maskinlæring er så liten at det ikke vil være lønnsomt. Større forbedringer kan oppnås dersom ressurser brukes på å optimalisere en alternativ konfigurasjon av det eksisterende systemet.

The objective of this study was to compare the performance of a given machine learning software with Hexagon Ragasco's existing defect detection system for liners, and to investigate how the amount of training data affected the performance of the machine learning model. To investigate this, the machine learning model was trained 28 times with varying amounts of good and bad images. The machine learning models were then tested on a set of test images. The existing system, as well as an alternative configuration of the same system, was also tested on the test images. To quantify performance, a weighted average of six metrics was developed. The analysis showed that the amount of good and bad images did not significantly affect the performance of the machine learning model. The mean weighted average of the machine learning tests was 0.90731, while the existing system scored 0.89992. The machine learning model was therefore 0.7 percentage points better. The alternative configuration achieved a weighted average of 0.94513, which was 4.5 percentage points better than the existing system. The improvement Hexagon Ragasco can expect from switching to machine learning is so small that it would not be cost-effective. Greater improvements can be achieved if resources are used to optimize an alternative configuration of the existing system. Key words: machine learning, machine vision, liner, defect detection