Laaduntarkastuslaitteen visuaalinen opettaminen Olli Silvén, Oulun yliopisto [email protected], www.ee.oulu.fi/mvg 18.10.2002 Heinola Machine Vision Group Department of Electrical and Information Engineering.

Download Report

Transcript Laaduntarkastuslaitteen visuaalinen opettaminen Olli Silvén, Oulun yliopisto [email protected], www.ee.oulu.fi/mvg 18.10.2002 Heinola Machine Vision Group Department of Electrical and Information Engineering.

Laaduntarkastuslaitteen visuaalinen
opettaminen
Olli Silvén, Oulun yliopisto
[email protected], www.ee.oulu.fi/mvg
18.10.2002
Heinola
Machine Vision Group
Department of Electrical and Information Engineering
Konenäkömenetelmä
kuvanmuodostus
esikäsittely
tunnistustulokset
segmentointi
piirteiden irrotus
tunnistus
ja
tulkinta
• valaisun tasoitus
• taustan poisto
• muoto (2D/3D)
• kohteiden tunnistus
• värien korjaus
• liittyvyysanalyysi
• väri
• kohderyhmien tunnistus
• värimuunnokset
• kohteiden ilmaisu
• tekstuuri
• suodatus
Machine Vision Group
Department of Electrical and Information Engineering
Sahatavaran laadutuksen problematiikkaa (1)
•
•
•
ulkonäöltään vaihteleva materiaali
vaihtelevat ulkonäkökriteerit
kasvupaikka vaikuttaa ulkonäköön: kloonitkin eroavat...
Machine Vision Group
Department of Electrical and Information Engineering
Sahatavaran laadutuksen problematiikkaa (2)
• standardien biologinen ominaisuuksien luokittelu
• konenäkö mahdollistaa vain ulkonäköperusteisen luokittelun
Terveitä oksia
Kuivia oksia
Machine Vision Group
Department of Electrical and Information Engineering
Sahatavaran laadutuksen problematiikkaa (3)
• laadutuksen yhdistäminen sahauksen optimointiin(?)
(kuva R&R Nordic Oy:n luvalla, kuvaaja Risto Ihatsu)
Machine Vision Group
Department of Electrical and Information Engineering
Laaduntarkastuslaitteen opettaminen: oppikirjaratkaisu
1. Kerätään ja nimetään edustava joukko näytteitä
2. Opetetaan luokittelija
3. Käynnistetään laaduntarkastus…
Ongelmat:
• virittäminen ja uudelleenopetus voi olla ylivoimaisen työlästä
• ihmisen tekemä nimeäminen ei aina ole johdonmukaista
näytteiden
keruu
vikanäytteet
näytteiden
nimeäminen
vikojen ilmaisu
piirteiden
laskenta
“oppikirjaluokittelija”
Machine Vision Group
Department of Electrical and Information Engineering
luokitellut
viat
Oppia kantapään kautta eli laaduntarkastustutkimusta 1983Piirilevyjen tarkastustekniikka (1983-1987)
• CAD-mallista lähtevä vertailu
+ ei tarvinnut opetusta!
Metallipintojen tarkastustekniikka I (1986-199X)
• perinteinen ”blobi”-analyysimenetelmä
- opetus näytteiden avulla...
Puupintojen tarkastustekniikka (1986, 1992-1999)
• perinteinen ”blobi”-analyysi + väri-tieto
- opetus näytteiden avulla...
Machine Vision Group
Department of Electrical and Information Engineering
Puupintojen tarkastustutkimuksen alkuvaiheita
• puun ominaisuuksien ymmärtämisen opiskelua
• lopulta 120 000 käsin luokiteltua näytettä
Machine Vision Group
Department of Electrical and Information Engineering
Puupintojen tarkastustustutkimuksen tuloksia
• Asiantuntijoiden tekemän laadutuksen yhdenmukaisuus: 70%...
• Oksien opetus asiantuntijoiden valmistelemalla näytteistöllä: 80% tarkkuus
• Johtopäätös: onko erikseen nimetyillä näytteillä opettaminen järkevää?
• heikko tarkkuus & valtava työmäärä...
• Arvokas tulos: tehokkaat väripiirteet
Väricentilen määritys
esim. sininen 10%
N
Värihistogrammi
90%
10%
intensiteetti
10% centile
Machine Vision Group
Department of Electrical and Information Engineering
Laaduntarkastuslaitteen opettaminen: teollinen ratkaisu
1. Toteutetaan sääntöpohjainen luokittelija
2. Määritetään sääntöjen parametrit
3. Käynnistetään laaduntarkastus…
Ongelmat:
• virittäminen vaatii tietoa luokittelijasta, mikä voi olla hidasta oppia
parametrien
viritys
vikojen ilmaisu
piirteiden
laskenta
sääntöpohjainen
luokittelija
Machine Vision Group
Department of Electrical and Information Engineering
huomatut
luokitteluvirheet
luokittelutulos
Opetusnäyteongelma
Machine Vision Group
Department of Electrical and Information Engineering
Nimeä näytteet!
Uusi opetusratkaisu: visuaalinen opettaminen
1. Klusteroidaan ilmaisun tuottamat näytteet esim. SOM-kartalle
2. Määrätään luokkarajat kartalle
3. Käytetään karttaa luokitteluun
Ongelma:
• SOMin opetus saattaa vaatia näytemateriaalin valintaa = työtä
klusterien
nimeäminen
vikojen ilmaisu
tai jopa kaikki näytteet!
piirteiden
laskenta
näkymä
klustereihin
luokittelu &
visualisointi
SOM
(2-D-esitys)
Machine Vision Group
Department of Electrical and Information Engineering
luokittelutulos
SOM
SOM kuvaa korkeaulotteisen data-avaruuden matalaulotteiseksi naapuruston
säilyttäväksi verkoksi
N-ulotteinen
data-avaruus
SOM
Piirre 2
Piirre 3, …
Piirre 1
Piirre 1
Piirre N
Machine Vision Group
Department of Electrical and Information Engineering
Piirre 2, …
SOM-pohjainen visuaalinen tarkastusmenetelmä
Tunnistusmenetelmä
Käyttöliittymä
kuvadata
tulokset
Machine Vision Group
Department of Electrical and Information Engineering
Itseorganisoivan kartan klustereiden sisältöä
Ilmeisiä kuivia oksia
Ilmeisiä terveitä oksia
Halkeamia
Machine Vision Group
Department of Electrical and Information Engineering
Visuaalisen opetuksen käyttöliittymä
Machine Vision Group
Department of Electrical and Information Engineering
Visuaalisen opetuksen jatkokehitys (1)
Visuaalisen opetuksen perusideat:
• opetusnäytteet esitetään kuvakarttana, jossa samankaltaiset
sijaitsevat lähekkäin ja erilaiset kaukana toisistaan
• ei yksittäisten opetusnäytteiden nimeämistä – virhealttius vähenee
• ihminen päättää kartan perusteella luokkarajoista
• kartta on ”koneen näkymä dataan” - auttaa ihmistä ymmärtämään
Machine Vision Group
Department of Electrical and Information Engineering
Visuaalisen opetuksen jatkokehitys (2)
SOMilla on heikkoutensa:
• harvinaiset viat ja piirreavaruuden reunat jäävät aliedustetuiksi
• piirteiden skaalaus saattaa tehdä piirreyksityiskohdista merkityksettömiä
• kuvaus moniulotteisesta kaksiulotteiseksi ei välttämättä ole aina selkeä
Muita visualisointi- ja ulottuvuuksienvähennysmenetelmiä:
– PCA, Principal component analysis
– MDS, Multidimensional scaling
– ISOMAP, Isometric feature mapping
– LLE, Locally linear embedding
– GTM, Generative topographic mapping
Machine Vision Group
Department of Electrical and Information Engineering
Esimerkki ISOMAPin soveltamisesta puunäytteille
Machine Vision Group
Department of Electrical and Information Engineering
Tulevaisuuden visio
• materiaali opitaan ilman ihmisen tekemää valintaa
 hyvin yksinkertainen käyttöliittymä
• laadutus yhdistyy sahausprosessiin
 vaihtoehto tomografialle
(kuva R&R Nordic Oy:n luvalla, kuvaaja Risto Ihatsu)
Machine Vision Group
Department of Electrical and Information Engineering
Muita visuaalisen opetuksen sovellutuskohteita
paperi
ruoka-aineet
metallipinnat
kasvispektrografia
Machine Vision Group
Department of Electrical and Information Engineering