Automatizované metódy vizuálnej kontroly výrobných procesov a ich výsledkov
Školitel
prof. Ing. Martin Klimo, PhD.
Školitel špecialista
Ing. Peter Tarábek, PhD.
Študijný program
Aplikovaná informatika
Študijný odbor
Informatika
Detailnejší opis problému
Automatická inšpekcia je proces, ktorý zahŕňa porovnávanie produktu zo štandardmi kladenými na daný produkt alebo jeho častí s cieľom posúdenie jeho kvality. Dnešná doma je charakterizovaná zvyšovaním požiadaviek na špecializované produkty a ich kvalitu. To kladie zvýšené požiadavky aj na inšpekčné systémy. Cieľom práce je výskum v oblasti automatizácie inšpekcie s využitím obrazovej informácie. Inšpekčné systémy môžu posudzovať kvalitu buď podľa vzhľadu produktov a ich častí alebo analýzou procesov pri ich výrobe. V prípade posudzovania vzhľadu sa využívajú hlavne segmentačné a detekčné algoritmy, prípadne metódy na detekciu anomálií. Pre tieto metódy je často potrebná tvorba veľkých datasetov. To si vyžaduje veľkú časovú a finančnú investíciu. Zároveň v prípade nízko objemovej produkcie je získanie potrebných dát často nemožné. Výskum v tejto oblasti by preto mal smerovať k využitiu princípov one-shot a few-shot učenia, učenia sa bez učiteľa, prípadne metód, ktoré sa dokážu na nové triedy a vzory adaptovať bez nutnosti dodatočného tréningu. V súčasnej dobe existujú veľké predtrénované video-language modely (VLM) ako aj modely špecializované na rozpoznávanie videí. Zaujímavým smerom preto je ich kombinovanie a možnosti fine-tuningu pre adaptáciu na špecializované úlohy. V dôsledku existencie VLM sa naskytá aj otázka, či je možné tieto systém využiť a adaptovať na generovanie vysvetlení. Posudzovanie kvality sa dá robiť aj pomocou analýzy procesov. V prípade výroby špecializovaných produktov je často proces zložený z viacerých operácií vykonávaných človekom. Takéto systémy môžu odhaliť chyby v procese výroby, ktoré vyplývajú z aplikovania nesprávnych nástrojov, zlého poradia vykonaných operácií, prípadne vykonania nesprávnej operácie. Tieto chyby môžu byť vysoko korelované so zníženou kvalitou výsledných produktov. Zároveň tieto systémy môžu slúžiť ako asistenčné systémy, napr. na odporučenie ďalšej operácie alebo na včasné upozornenie na chybu pri výrobe.
Predpokladaný vedecký prínos (algoritmy, metodológie, ...)
Konkrétny predpokladaný vedecký prínos závisí od zvolenej témy. Prínosy môžu pochádzať z oblasti one-shot a few-shot učenia, veľkých predtrénovaných a generatívnych modelov, mechanizmov okamžitej adaptácie ako aj detekcie, segmentácie a klasifikácie operácií, prípadne z riešenia konkrétnej aplikácie.
Odporučány postup vedeckého bádania
- štúdium hlbokých neurónových sietí a ich implementácii - oboznámenie sa s doterajšími výsledkami - zber a spracovanie dát - experimenty a ich vyhodnocovanie - syntéza nových poznatkov - publikovanie nových poznatkov - zvyšné metódy budú závislé od vybranej témy
Druh výskumu
aplikovaný výskum
Výskumná úloha, ktorej súčasťou bude riešená téma
09I05-03-V02-00029 VEGA 1/0525/23
Doterajšie výsledky riešenia na školiacom pracovisku, vrátane odkazov na dostupné zdroje
1. Tarábek, Peter, and Dávid Matis. "Exploration Degree Bias: The Hidden Influence of Node Degree in Graph Neural Network-based Reinforcement Learning." IEEE Access (2025). 2. Klimo, Martin, Jaroslav Kopčan, and L’ubomír Králik. "Explainability as a Method for Learning From Computers." IEEE Access 11 (2023): 35853-35865. 3. Klimo, Martin, Peter Lukáč, and Peter Tarábek. "Deep neural networks classification via binary error-detecting output codes." Applied Sciences 11.8 (2021): 3563. 4. Ondrašovič, Milan, and Peter Tarábek. "Siamese visual object tracking: A survey." IEEE Access 9 (2021): 110149-110172. 5. Ondrašovič, Milan, and Peter Tarábek. "Homography ranking based on multiple groups of point correspondences." Sensors 21.17 (2021): 5752. 6. Fabricius, René, Ondrej Šuch, and Peter Tarábek. "Deep neural network ensembles using class-vs-class weighting." IEEE Access (2023). 7. Cimrák, Ivan, Peter Tarábek, and František Kajánek. "Curated Dataset for Red Blood Cell Tracking from Video Sequences of Flow in Microfluidic Devices." Data 8.6 (2023): 106. 8. Klimo, Martin, Jaroslav Kopčan, and Ľubomír Králik. "Explainability as a Method for Learning from Computers." IEEE Access (2023). 9. Kajánek, František, Ivan Cimrák, and Peter Tarábek. "Automated Tracking of Red Blood Cells in Images." International Work-Conference on Bioinformatics and Biomedical Engineering. Cham: Springer International Publishing, 2020.
V prípade otázok sa obráťte na vedúceho témy:
Martin.Klimo@fri.uniza.sk