Contents
Met het toenemende gebruik van computer vision in Industrial IoT (IIoT) en Industry 4.0 om defecten te analyseren en op te sporen, geïnspireerd om een beeldherkenningsmodel te bouwen dat afbeeldingen van AC-zuigers kan classificeren.
Materialen die bij de fabricage of constructie worden gebruikt, kunnen allerlei defecten hebben, variërend van fysieke afwijkingen zoals breuken tot chemische problemen zoals olieachtige oppervlakken. Deze problemen kunnen optreden tijdens de fabricage, installatie of na de installatie (bijvoorbeeld door slijtage, blootstelling aan het milieu, enz.). Dergelijke problemen moeten vaak zo snel mogelijk worden opgespoord om latere problemen te voorkomen of om te worden gemarkeerd voor reparatie of opnieuw geclassificeerd als een lagere kwaliteit, afhankelijk van de situatie.
In gevallen waarbij zeer nauwkeurige componenten betrokken zijn, het opsporen van dergelijke defecten wordt nog belangrijker om latere problemen te voorkomen. Een voorbeeld hiervan is de fabricage van zuigers voor airconditioners (AC) die binnen nauwe toleranties moeten worden gebouwd, zodat de units betrouwbaar in het veld werken.
Met het toenemende gebruik van computervisie in Industrial IoT (IIoT) en Industry 4.0 om defecten te analyseren en te detecteren, werden we geïnspireerd om een beeldherkenningsmodel te bouwen dat afbeeldingen van AC-zuigers kan classificeren als normaal (d.w.z. geen defecten), olieachtig/vettig of defect (d.w.z. gebroken, niet in vorm of gevallen). Dit omvatte het voorbereiden en ruziën van de trainingsgegevens, het bouwen van een .csv-bestand om die gegevens toe te wijzen aan de classificaties en het herhalen met het model in PerceptiLabs.
Gegevens
Voor dit model hebben we afbeeldingen uit deze Kaggle-dataset gebruikt, die drie classificaties van AC-zuigers vertegenwoordigen:
- Defect 1: kapot, niet in vorm of gevallen .
- Defect 2: met olieachtige, vettige of roestige vlekken.
- Normaal: normale, niet-defecte zuigers.
Afbeelding 1 toont voorbeelden van enkele van de normale AC piston-afbeeldingen:
Afbeelding 1: afbeeldingen uit de trainingsdataset met normale AC-pistons.
We hebben de afbeeldingen voorverwerkt om ze elk te verkleinen tot een resolutie van 80×80 pixels en creëerde een .csv-bestand om de afbeeldingen toe te wijzen aan nominale classificatiewaarden van 0 voor defect 1, 1 voor defect 2 en 2 voor normaal. Hieronder is een gedeeltelijk voorbeeld van hoe het .csv-bestand eruitziet:
|
image_path |
doel |
|
defect_1/defect_0.jpeg |
0 |
|
defect_2/defect2_13.jpeg |
1 |
|
2 |
Voorbeeld van een .csv-bestand om gegevens in PerceptiLabs te laden, waarbij 0 is Defect 1, 1, is Defect 2 en 2 is Normaal.
Modeloverzicht
Ons model is gebouwd met slechts drie componenten:
