Huemer, J. (2019). Extraction of surface features to predict defects [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2019.57220
E376 - Institut für Automatisierungs- und Regelungstechnik
-
Date (published):
2019
-
Number of Pages:
94
-
Keywords:
Inspektion; Oberflächenfehler
de
Machine Vision; Inspection; Sruface defects
en
Abstract:
Ein üblicher Ansatz zur Qualitätssicherung in der industriellen Fertigung besteht darin, fehlerhafte Produkte auszusortieren, bevor sie den Kunden erreichen können. Dies wird häufig durch manuelle oder automatisierte visuelle Inspektionssysteme erreicht. Die automatisierten Ansätze können von Vorteil sein, wenn eine genaue Vorhersage des Qualitätsniveaus erforderlich ist, da sie konsistenter sind als manuelle Prüfungen. Außerdem können Bildverarbeitungsmethoden für Inline-Inspektionen verwendet werden, die manuell so nicht möglich sind. Beim Zero Defect Manufacturing (ZDM) geht es darum, fehlerhafte Produkte generell zu vermeiden, indem beispielsweise die Qualität des Fertigungsprozesses selbst überwacht und gegebenfalls abgenützte Werkzeuge ausgetauscht werden. Im Rahmen von ZDM wird in dieser Arbeit ein Machine Learning Ansatz zur Qualitätssicherung von Bohrungen in kohlefaserverstärkten Kunststoffen vorgestellt. Mit Hilfe einer visuellen Analyse und intelligenten Lernmethoden wird die Qualität des Fertigungsprozesses vorhergesagt, indem Bohrparameter mit visuellen Merkmalen korreliert werden, die aus Bildern der Bohrungen extrahiert werden. Zu den in dieser Arbeit vorgeschlagenen Merkmalen gehören einfachere Charakteristiken wie Entropie oder Homogenität der Graustufenbilder sowie auch komplexere Merkmale wie das Erkennen von Bereichen von Interesse. Ebenso wird ein grundlegender photometrisch-Stereo Ansatz verwendet, um 3-dimensionale Informationen der Bohrlochoberfläche als Input für das Machine Learning Modell zu extrahieren. Um dem Modell möglichst relevante Informationen bereitzustellen, werden mehrere Algorithmen zur Merkmalsselektion ausgewertet und für die endgültige Vorhersage der Kategorie der Prozessqualität werden drei Klassifizierungsmethoden verglichen. Die Ergebnisse zeigen, dass die Vorhersagbarkeit der Klasse der Bohrlochqualität für beide verwendeten Datensätze etwa 80% beträgt und dass die Trennbarkeit zwischen optimalen und sehr schlechten Bohrbedingungen, wie zum Beispiel beschädigten Werkzeugen, sehr gut möglich ist. Darüber hinaus befürworten die Ergebnisse die Merkmalsselektion als Methode, um die Komplexität des maschinellen Lernproblems zu reduzieren, während das Ergebnis der Klassifizierung nahezu gleich bleibt oder sogar verbessert wird.
de
A common approach for quality assurance in manufacturing is to reject faulty products before they can reach the customer. This is often achieved using manual or automated visual inspection systems. The automated approaches can be of advantage when an accurate prediction of the quality level is needed, as they perform more consistent than humans. What is more, in many applications, machine vision methods can be used for on-the-line real time inspection which is manually not possible. In Zero Defect Manufacturing (ZDM) the idea is to prevent defective products in the first place, by for example monitoring the quality of the manufacturing process itself and e. g. replacing worn tools if necessary. Within the scope of ZDM, this thesis introduces a machine learning approach for quality assurance of boreholes in carbon fiber reinforced polymers (CFRP). With the aid of visual analysis and intelligent learning methods, the quality of the manufacturing process is predicted by correlating drilling parameters with visual features extracted from images of the boreholes. The features proposed in this work include low-level characteristics like entropy or homogeneity of the gray level images, as well as high-level features like detection of interest regions. We also use a basic photometric stereo approach to extract 3-dimensional information from the borehole surface as input for the machine learning model. To provide the model with the most relevant information, several feature selection algorithms are evaluated and for the final prediction of the process quality category, three classification methods are compared. The results show that the predictability of the drilling quality class is around 80% for both datasets in evaluation and that the separability between optimal and very poor drilling conditions like fractured tools is very distinct. In addition, the results approve the use of feature selection as a method to reduce the complexity of the machine learning problem while keeping the classification performance almost similar or even improving it.
en
Additional information:
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers