Главная | Проекты | Разработка нейросетей для обнаружения дефектов в промышленности

Разработка нейросетей для обнаружения дефектов в промышленности

Разработка методик и моделей мультизадачного обучения нейросетей на примере нейросети для распознавания дефектов ткани с различным видом оформления поверхности.

Задача

Разработка методов точного распознавания дефектов ткани в автоматическом режиме крайне актуальна как для текстильной, так и для швейной промышленности, так как традиционные методы распознавания решают лишь часть задач по контролю качества.

На качество работы системы распознавания дефектов влияют следующие факторы:

  • Сложный узор, который затрудняет правильное сегментирование области контроля;
  • Вариативность характеристик: дефекты могут обладать разными характеристиками в зависимости от этапа контроля, могут проявляться раздельно или одновременно, быть изолированными либо комбинированными в «гибридный» дефект;
  • Дефекты, вызываемые различными причинами, могут быть визуально схожими.

Для решения всего комплекса проблем необходимо применение мультидисциплинарного подхода, сочетающего методы распознавания изображений, нейросетевые технологии и опыт текстильного материаловедения.

Участники рабочей группы поставили перед собой фундаментальную задачу - построить для распознавания дефектов универсальную нейронную сеть, которая позже может быть использована не только в легкой промышленности, но и для решения других задач после минимального переобучения.

Общая цель проекта – автоматизация контроля качества текстильных материалов и переход к автоматизированному управлению оборудованием на основе анализа параметров качества продукции, что обеспечит качественное изменение процесса изготовления текстильных и швейных изделий в целом, повышение качества продукции и производительности оборудования.

Решение

Впервые будет предложена методика и разработаны модели мультизадачного обучения нейронных сетей, а также выполнена их программная реализация для комплексного контроля - распознавания движущихся рулонных материалов большой ширины (до 200 см) с различным видом оформления поверхности (ткацкий или печатный рисунок, различные виды нитей и способов их смешивания и переплетения). Для этого будет выполнена классификация дефектов по распространенности (разовый, повторяющийся, непрерывный) и влиянию на сортность продукции.

Эксперты текстильного производства из ИвГПУ проведут работы по составлению и классификации базы изображений дефектов ткани для обучения нейросети и примут участие в ее тестировании и доработке.

Специалисты в области систем технического зрения и нейросетевых технологий из Лаборатории ПСПОД Центра НТИ СПбПУ разработают общую методику и модель мультизадачного обучения нейросетей для обнаружения дефектов, обучат конкретную нейросеть для текстильного производства.

Благодаря проекту будет создан научно-технический задел в области разработки подходов и алгоритмов, способных принимать решения в реальном времени (в том числе в рамках непрерывного процесса), включающий в себя:

  • Методы создания мультизадачных, генеративных (порождающих) моделей;
  • Набор специализированных инструментальных средств, в том числе облачных средств и сервисов интеллектуального анализа данных;
  • Методики разработки новых интеллектуальных продуктов пользовательского уровня, основанных на вышеперечисленных достижениях методологии машинного обучения для применения предприятиями легкой промышленности;
  • Набор алгоритмов и программных модулей, интеллектуальных систем поддержки решений для операторов оборудования.

Созданный задел обеспечит возможность разработки целого класса приложений, в том числе для формирования цифровых моделей текстильных материалов и швейных изделий, автоматического формирования рисунков ткани, систем управления производственным процессом предприятия, систем учета, а также интегрированной системы поддержки жизненного цикла изделий. Будет заложена методологическая основа автоматизированной оценки качества текстильных изделий.

Разработанная методика и модели мультизадачного обучения позволят обеспечить дальнейшее изучение стратегий обучения для глубоких архитектур и развитие перспективного направления в области ИИ.

Этапы реализации проекта

Проект планируется реализовать за 2 года (2021-2023)

В рамках 1 этапа (2021-2022) планируется:

  1. Подготовка базы эталонов для обучения нейронной сети
  2. Разработка моделей на базе сверточной нейронной сети для обнаружения дефектов
  3. Выполнена Программная реализация модели на базе сверточной нейронной сети для обнаружения дефектов
  4. Разработка и изготовление экспериментального стенда для оценки качества дефектов ткани
  5. Разработка методики мультизадачного обучения для обнаружения и распознавания дефектов
  6. Разработка модели мультизадачного обучения для обнаружения и распознавания дефектов

В рамках 2 этапа (2022-2023) планируется:

  1. Разработка мультизадачной системы обнаружения и распознавания дефектов
  2. Разработка специализированных инструментальных средств, в том числе облачных средств и сервисов интеллектуального распределенного анализа данных для мультизадачной системы обнаружения и распознавания дефектов.
  3. Тестирование мультизадачной системы обнаружения и распознавания дефектов.
  4. Анализ полученных результатов и разработка рекомендаций по применению мультизадачной системы обнаружения и распознавания дефектов

На текущий момент в рамках работ 1 этапа идет подбор оборудования для формирования базы изображений, готовится база эталонов для обучения нейронной сети (отбор образцов материалов с дефектами и их первичная классификация для проведения фотосъемки), разработан и изготовлен экспериментальный стенд для оценки качества дефектов ткани.

Технологии

Библиотеки и фреймворки: OpenCV, PyTorch, TensorFlow, CUDA, libpng
Языки программирования: Python, C++
OS: Linux
Архитектуры: x64, ARM
CVS: Git (GitLab)
Исследования проводятся при поддержке Российского фонда фундаментальных исследований (код проекта № 20-47-370005).

Ключевые исполнители

  • Научный руководитель: Т.Ю. Карева, д.т.н., профессор ИвГПУ
  • Руководитель проекта: М.В. Болсуновская, заведующий Лабораторией «Промышленные системы потоковой обработки данных» Центра НТИ СПбПУ
  • Ведущий инженер проекта: А.В. Бойков
  • Аналитики данных: Н.А. Абрамов, А.В. Черкас
  • Ведущий методист: С.В. Широкова