Автоматизация подготовки данных для систем видеонаблюдения в производстве

全文:

Обоснование. В условиях цифровой трансформации экономики автоматизация контроля качества и управление производственными процессами становятся ключевыми аспектами конкурентоспособности предприятий. Для этого используются современные технологии, такие как ЧПУ и алгоритмы машинного обучения. MDC- и MES-системы интегрируются с производственной инфраструктурой для мониторинга и оптимизации процессов. Глубокие нейронные сети, такие как YOLO, эффективно детектируют объекты и анализируют данные, особенно в условиях многономенклатурного производства [1, 2].

Цель — разработать приложение для автоматизации разметки видеоматериалов в условиях ограниченного производства и широкой номенклатуры для обучения нейронных сетей в системах компьютерного зрения.

Методы. При разработке приложения использовались две нейронные сети, работающие последовательно в рамках одного алгоритма: YOLOv5 для детектирования ячеек тары, в которой перемещаются детали в производстве, и VGG19 для классификации деталей внутри ранее детектированных ячеек. Такой подход позволяет снизить ошибки второго рода и повысить значение mAP, но увеличивает время обучения практически в четыре раза. Эксперименты проводились с деталями в таре с обрешеткой: каждая ячейка содержала одну деталь или ничего. На углах тары нанесены ArUco-маркеры и QR-коды для активации нужных нейронных сетей, обученной под конкретную тару и типы деталей. Задачами приложения являлись: выделение и классификация пустых или заполненных ячеек, определение типа детали и детектирование QR- и ArUco-кодов [3, 4].

Результаты. На начальном этапе экспериментов были исследованы различные варианты обучения, отличающиеся входным набором параметров. В рамках исследования изучалось влияние типа изображения (цветное или серое) на эффективность процесса обучения. Было установлено, что цветное изображение благоприятнее для обучения. Были рассмотрены два вида оптимизаторов SGD [5] и Adam [6], а также различные размеры батча и количества эпох. Оптимальными выбраны параметры: Оптимизатор — SGD, размер батча 2–16, количество эпох 20–100. Данный этап позволил сократить варьируемые параметры в два раза.

Дальнейшие изыскания были направлены на поиск оптимальных параметров обучения нейронной сети. Наилучшие результаты дал размер батча 8 и количество эпох 40. Сбалансированность количества изображений двух классов также влияет на точность, а кроме того, размер обучающей выборки желательно не ниже 1100 изображений. График точности и функции потерь детали № 5, для которой эти параметры на тестовой выборке достигли лучших значений, представлен на рис. 1.

Рис. 1. График точности и функции потерь

Выводы. Разработанное приложение для разметки видеоматериала упрощает обучение нейронных сетей, используя предварительно обученные модели, требующие увеличения выборки. Хотя применение трех сетей YOLO и одной VGG замедляет обработку, это быстрее, чем ручная разметка, что важно для серийного многономенклатурного производства. Подобные приложения позволят приблизить переход к Индустрии 4.0 и в целом повысить экономическую эффективность на отечественных машиностроительных предприятиях.

作者简介

编辑信件的主要联系方式.
Email: vlad198189@gmail.com

студент, группа 3413-240305D, институт двигателей и энергетических установок

参考

补充文件

附件文件

动作

1. JATS XML

下载

2. Рис. 1. График точности и функции потерь

下载 (150KB)

索引源数据