Foto: Adonyig
Datum objave: 27.12.2021
Kategorija: Najodličnejši raziskovalni dosežki, Interdisciplinarne raziskave, Naš prispevek k ciljem trajnostnega razvoja OZN
Cilji trajnostnega razvoja: 9 Industrija, inovacije in infrastruktura (kazalniki)
Z razvojem naprednih, na podatkih temelječih ter učljivih pristopov strojnega vida raziskovalci Fakultete za računalništvo in informatiko Univerze v Ljubljani ustvarjajo preboj na področju avtomatskega pregledovanja izdelkov.
Pogumen cilj četrte industrijske revolucije je avtomatizacija naprednih in zapletenih proizvodnih postopkov, ki zahtevajo inteligentno obdelavo informacij in fleksibilnost. Ta trend želijo raziskovalci s Fakultete za računalništvo in informatiko (izr. prof. dr. Danijel Skočaj, Vitjan Zavrtanik, mag. rač. inf., Jakob Božič, univ. dipl. inž. rač. inf., dr. Domen Tabernik, izr. prof. dr. Matej Kristan) uvesti tudi na področje vizualnega pregleda. Številni sistemi strojnega vida se že uporabljajo v nadzorovanih industrijskih procesih za pregledovanje izdelkov ali polizdelkov in zaznavanje morebitnih napak ali drugih odstopanj od pričakovanega videza ali oblike pregledanih izdelkov. Je pa klasičen razvoj takšnih sistemov zamuden in drag ter precej nefleksibilen.
V zadnjem letu so omenjeni raziskovalci objavili serijo člankov, ki uvajajo novo paradigmo razvoja tovrstnih sistemov. S tem preusmerjajo paradigmo ročnega razvoja specifičnih rešitev na razvoj, temelječ na podatkih, ki je splošnejši, učinkovit, prilagodljiv in bolj ekonomičen. Ta postopek temelji na vizualnem učenju; v fazi učenja sistem z opazovanjem slik dobrih in slabih primerov zgradi model, ki ga nato uporablja pri svojem delovanju.
Razvili so več pristopov, ki temeljijo na globokem učenju. Tipično zahtevajo metode nadzorovanega globokega učenja velike količine označenih podatkov. V svojih delih so predlagali nenadzorovane metode, ki zgradijo vizualni model z opazovanjem zgolj slik nepoškodovanih izdelkov, s čimer se zaobide potreba po zamudnem ročnem označevanju napak v učni fazi.
Razvili so tudi metodo, ki deluje v mešanem nadzornem režimu učenja in lahko izkoristi tudi informacije o označbah napak, če so na voljo. V vseh primerih razvite nevronske mreže v fazi uporabe za podano vhodno sliko površine napovejo, ali le-ta vsebuje napako, in to napako na sliki tudi ustrezno označijo. Dobljeni rezultati predstavljajo preboj na področju avtomatskega pregledovanja izdelkov in nakazujejo velik potencial za uporabo v praksi.
Prispevke so objavili v dveh odličnih revijah, ki se s faktorjem vpliva nad 7,5 uvrščata v zgornjo desetino revij s svojega področja, ter na prestižni konferenci z indeksom h – 5 = 184.
Slika: Primeri vhodnih slik (zgoraj) in avtomatsko označene napake (spodaj). Avtor: Vitjan Zavrtanik.
Viri:
ZAVRTANIK, Vitjan, KRISTAN, Matej, SKOČAJ, Danijel. Reconstruction by inpainting for visual anomaly detection. Pattern recognition : the journal of the Pattern Recognition Society, Apr. 2021, vol. 112, 1A1, IF = 7,740 (20/273), h–5 indeks: 99 [COBISS.SI-ID 49664003].
BOŽIČ, Jakob, TABERNIK, Domen, SKOČAJ, Danijel. Mixed supervision for surface-defect detection: from weakly to fully supervised learning. Computers in industry, Aug. 2021, vol. 129, 1A1, IF = 7,635 (9/112), h–5 indeks: 64 [COBISS.SI-ID 63403523].
ZAVRTANIK, Vitjan, KRISTAN, Matej, SKOČAJ, Danijel. DRÆM – A discriminatively trained reconstruction embedding for surface anomaly detection, Oct. 2021, International Conference on Computer Vision ICCV 2021, h–5 indeks: 184.