Urządzenie pomiaru i kontroli wyrobów gumowych wymagających tłoczenia oraz opon

Projekt

Prowadzimy prace badawcze nad stworzeniem urządzenia do analizy i kontroli jakości za pomocą systemów wizyjnych.

Korzyści dla nauki i techniki :

• Rozszerzenie zakresu funkcjonalności robotów wizyjnych o algorytmy analizy obrazu w 2D;

• Dostarczenie skalowalnego rozwiązania, z możliwością adaptacji do istniejących linii produkcyjnych;

• Poprawa jakości produkcji, oszczędność zasobów i energii;

• Wykorzystanie deep learning (uczenie maszynowe) do samodoskonalenia;

• ERP ready – urządzenie gotowe do implementacji wymiany danych z nadrzędnym systemem (np. ERP)

Cel badawczy projektu

Głównym celem badawczym projektu jest zastosowanie teorii falek (ang. wavelets) do budowy sieci neuronowych (typu CNN) wykorzystywanych w rozpoznawaniu obrazów.

Obrazy brane pod uwagę w projekcie pochodzą z kamer rejestrujących wyprodukowane „przedmioty” w celu wykrycia defektów i odchyleń od normy.

Podejmowane zagadnienia badawcze:

Głównym celem badawczym projektu jest zastosowanie teorii falek (ang. wavelets) do budowy sieci neuronowych (typu CNN) wykorzystywanych w rozpoznawaniu obrazów. Obrazy brane pod uwagę w projekcie pochodzą z kamer rejestrujących wyprodukowane „przedmioty” w celu wykrycia defektów i odchyleń od normy.

Falki są rodziną funkcji rzeczywistych powstałych z tzw. funkcji matki poprzez przesunięcie i skalowanie:

Falki są używane w analizie i przetwarzaniu sygnałów cyfrowych, w kompresji obrazu i dźwięku, do rozwiązywania równań różniczkowych cząstkowych oraz w wielu innych dziedzinach.

W naszych badaniach chcemy je wykorzystać do budowy  falkowych konwolucyjnych (wavelet convolutional) sieci neuronowych. Konwolucją dwóch funkcji  i  nazywamy następującą funkcję:

W analizie obrazów operacja ta jest stosowana do filtra (odpowiadającego funkcji ) i sygnału  (odpowiadającemu obrazowi). W standardowym ujęciu są one wyrażone jako macierze ( – macierz składająca się z wartości pikseli,  – przekształcenie liniowe ). W zależności od wyboru odpowiedniego filtra otrzymany obraz może ulec wyostrzeniu, wygładzeniu, rozmazaniu itp. W rozpoznawaniu obrazów wyróżniamy podejścia „przestrzenne” (spatial) i spektralne. Podejście spektralne ma zaletę selektywności, ponieważ ma się wpływ na częstotliwość sygnału. Niestety, uczenie się sieci neuronowej na podstawie dostępnych danych, nie uwzględnia tego bezpośrednio. Zamierzamy zbadać możliwości bezpośredniego wbudowania  analizy spektralnej opartej na teorii falek do konwolucyjnej sieci neuronowej. Jednym z ważnych  pomysłów na wykorzystanie falek jest detekcja krawędzi i różnicy pomiędzy obrazami.

Z praktycznego punktu widzenia sieci neuronowe CNN działają jak filtr bądź zestaw filtrów, które wydobywają potrzebne informacje z obrazu. Zaimplementowanie w sieci CNN narzędzi teorii falek jako dodatkowych, równoległych filtrów powinno rozwinąć możliwości sieci CNN, szczególnie w zakresie wykrywania cech niezależnych od skali i orientacji.

Na podstawie parametryzacji obrazu za pomocą tak stworzonej sieci powstanie klasyfikator, który będzie podawał informacje o występowaniu defektów w badanym obiekcie.

Równolegle będziemy rozwijać podejście oparte na geometrii informacyjnej. Dane o obrazie są przedstawiane jako parametr Y∈ Pm wielowymiarowego rozkładu prawdopodobieństwa, gdzie 𝑃𝑚 jest przestrzenią symetrycznych dodatnio określonych macierzy. Nasz podejście będzie oparte na szukaniu probabilistycznych reguł klasyfikacji obrazów typu Bayesa. Zamierzamy dobrać rozkłady prawdopodobieństwa z funkcją gęstości 𝑝(𝑌,σ) z parametrami 𝑌∈𝑃𝑚 i σ>0, które będą dawały najlepsze rezultaty w konkretnym procesie technologicznym. Ponadto, zamierzamy zbadać, czy wybór przestrzeni parametrów 𝑃𝑚 jest optymalny w tych procesach. Wstępne badania pokazały, że można wybierać inne przestrzenie jednorodne sugerowane przez geometrię różniczkową.

Bibliografia:
Salem Said, Lionel Bombrun, Yannick Berthoumieu, Jonathan Manton, Riemannian Gaussian Distributions on the Space of Symmetric Positive Definite Matrices, IEEE Transactions on Information Theory (Volume: 63 , Issue: 4 , April 2017).
Shin Fujieda, Kohei Takayama, Toshiya Hachisuka, Wavelet Convolutional Neural Networks, https://arxiv.org/abs/1805.08620.
Habibi Aghdam, Hamed, Jahani Heravi, Elnaz, Guide to Convolutional Neural Networks, Springer 2017.

Modelowanie analityczne

W ramach zadania zaplanowano na bazie sformułowanych założeń opracowanie dokumentacji projektowej na potrzeby wykonania prototypu. Zadanie obejmie swoim zakresem dobór metod analizy wyników pomiarów w aspekcie określonych celów.
Zadanie zostanie wykonane przez pracowników B+R Wnioskodawcy oraz pracownika jednostki naukowej, który zostanie zaangażowany w ramach umowy stażowej.

Analiza i opracowanie algorytmów uczenia maszynowego (SI) w kontekście zestawiania obrazów z systemów optyczno-wizyjnych

Na określonym etapie dokumentacja analityczna prototypu zostanie uzupełniona o opis algorytmów uczenia maszynowego. W trakcie trwania etapu grupa specjalistów w oparciu o teorię deep learning w oparciu o zastosowania wavelet, w celu opracowania algorytmu: ilości czasu i miejsca w pamięci, szerokości pasma lub liczby układów logicznych, a następnie opracuje algorytmy, które posłużą w dalszej części do uczenia maszynowego w rozwiązaniach dedykowanych do analizy obrazu. W trakcie analiz badana będzie możliwość budowy sieci neuronowych (np. typu CNN) i jej wykorzystanie w obszarach rozpoznawaniu obrazów z zastosowaniem teorii falek. Jednym z badanych problemów badawczych będzie badanie funkcjonalności i skuteczności na wykorzystanie falek w detekcji krawędzi i różnicy pomiędzy obrazami.
Niedostatki w powszechnie znanych metodach wykrywania krawędzi:

1. Wykrywanie krawędzi jest zależne od kontrastu. W projekcie potrzebne będzie wykonanie oprogramowania rozpoznającego wady materiału, z których część na zdjęciach może słabo “wyodrębniać się” z tła (inaczej: będą wyodrębniać się z tła z różną intensywnością).
2. Obecne metody są częściowo zależne od szumu i innych zakłóceń np. zmiany oświetlenia.
3. Czas potrzebny na właściwe nauczenie sieci.
   Ponieważ jest to nowa idea nie ma jeszcze dokładnych danych literaturowych z wyjątkiem [1], gdzie autorzy próbują porównywać metody oparte na połączeniu metod sieci neuronowych z analizą spektralną. Pierwsze próby dają niewielki wzrost w granicach 3%. Uważamy, że bardziej szczegółowa analiza spektralna na podstawie metod geometrii informacyjnej pozwoli na uzyskanie statystycznie istotnie lepszych wyników.

Publikacje: [1] Shin Fujieda, Kohei Takayama, Toshiya Hachisuka, Wavelet Convolutional Neural Networks, https://arxiv.org/abs/1805.08620 [2] Pengju Liu; Hongzhi Zhang; Wei Lian; Multi-Level Wavelet Convolutional Neural Networks, Wangmeng Zuo, https://ieeexplore.ieee.org/document/8732332
[3]Yixiao Liao; Xueqiong Zeng; Weihua Li, Wavelet transform based convolutional neural network for gearbox fault classification, https://ieeexplore.ieee.org/document/8079274 [4] Moonheum Kim; Junghyun Lee; Jechang Jeong, A despeckling method using stationary wavelet transform and convolutional neural network, https://ieeexplore.ieee.org/document/8369651

Przeprowadzenie testów funkcjonalnych z próbą testową (wykonanie eksperymentu czynnobiernego*)

Wskazane zadanie będzie realizowane dwutorowo: przez pracowników B+R naszej firmy oraz jednostkę naukową. Wspólnie z nią przeprowadzone zostaną testy na prototypie z odzwierciedleniem warunków produkcyjnych przy założeniu braku możliwości wnoszenia zmian i korekt do projektu. Testy będą weryfikowane pod kątem zgodności z wymaganiami. Jednostka naukowa zajmie pracami B+R w zakresie:

a) opracowania metodologii procesu testowania;

b) przeprowadzenia testów funkcjonalnych;

c) stworzenia raportu z przeprowadzonego procesu testowania.

Z kolei nasi pracownicy B+R będą realizować testy dokonywać odpowiednich nastaw urządzenia, opracowanie dokumentacji oraz udzielanie niezbędnych informacji wymaganych przez jednostkę do przeprowadzenia testów na wymaganym poziomie dokładności.

W punkcie A1 zaznaczono, że począwszy od modelowania analitycznego Wykonawca wspiera się pracownikami B+R Wnioskodawcy (w tym pracownikami nowo zatrudnianymi posiadającymi doświadczenie w realizacji prac B+R) oraz pracownikiem jednostki badawczej (w ramach umowy stażowej). Na końcowym etapie jednostka badawcza jako niezależna instytucja będzie w stanie przeprowadzić obiektywne i bezstronne testy funkcjonalne, które potwierdzą osiągnięcie założonego w projekcie poziomu funkcjonalności maszyny.

Ponadto Wnioskodawca założył zatrudnienie nowych pracowników, którzy posiadają doświadczenie w realizacji prac B+R realizowanych na jednostkach naukowych, a tym samym można wskazać, że będziemy wykorzystywać potencjał typowy dla jednostki badawczej. Zlecanie całości usługi badawczej nie jest jednak zasadne w tym przypadku, ponieważ Wnioskodawca zamierza zbudować własny potencjał badawczy i wdrożyć CBR, a więc docelowo samodzielnie prowadzić prace badawcze przewidziane w chwili obecnej dla jednostki badawczej. Kolejne zlecenie weryfikacji wyników zewnętrznej jednostce badawczej ma na celu między innymi stwierdzenie, czy proces badawczy przeprowadzony własnymi środkami został dokonany prawidłowo, a zatem czy wytworzona przez Wnioskodawcę substancja zaplecza B+R osiągnęła wymagany do samodzielnego prowadzenia badań poziom rozwoju.

Etap ten przeznaczony zostanie na realizację prac finalizujących proces kreowania nowego rozwiązania. Przeprowadzone zostaną kompleksowe testy w warunkach laboratoryjnych z odzwierciedleniem rzeczywistych warunków produkcyjnych. Efektem prac przeprowadzonych w ramach tego zadania będzie w pełni funkcjonalny demonstrator wraz z dokumentacją wykonawczą, umożliwiający powielenie w warunkach produkcyjnych.

*Używając wskazanego sformułowania posłużyliśmy się terminologią użytą w pracy dr hab. inż. Marka Wyleżoła pt. „Metody pozyskiwania procedur i relacji diagnostycznych od specjalistów w dziedzinie eksploatacji maszyn” [5]. Eksperyment czynno-bierny jest to eksperyment, w którym nie ma możliwości zmian wartości cech stanu, natomiast dysponuje się informacją o punktowych wartościach tych cech. Obserwuje się natomiast w sposób ciągły lub dyskretny symptomy stanu.

Centrum Badawczo-Rozwojowe Visacom

Oferujemy dostęp do najnowocześniejszych technologii badawczych oraz zapewniamy naszym Klientom współpracę z wykwalifikowaną kadrą specjalistów.

Zakres działalności naszego centrum obejmuje kompleksowe badania z obszaru analizy obrazu, wirtualnej rzeczywistości, monitorowania kondycji, zarządzania produkcją, zarządzania zasobami przedsiębiorstwa oraz wiele innych.