ІНФОРМАЦІЙНО-ВИМІРЮВАЛЬНА СИСТЕМА КОНТРОЛЮ ЯКОСТІ КЕРАМІЧНОЇ ПЛИТКИ НА ОСНОВІ БАЗИ ЗНАНЬ ПРО ВБУДОВУВАННЯ ЗОБРАЖЕНЬ ВИРОБІВ ВІДПОВІДНОГО СОРТУ

Автор(и)

DOI:

https://doi.org/10.32782/3041-2080/2025-3-11

Ключові слова:

автоматизація контролю якості, сортування керамічної плитки, згорткова нейронна мережа, векторна база даних

Анотація

У статті розглядається проблема автоматизації процесу контролю якості та сортування керамічної облицювальної плитки. Здійснено критичний аналіз упроваджених нині інформаційно-вимірювальних систем, які базуються на експертному доборі ознак фрагментів зображень для контролю якості поверхні плитки. Визначено особливості таких систем: негнучкість та залежність від навчальних даних; висока вартість та тривалість розробки (добір та обґрунтування нових ознак для кожної зміни технологічного процесу вимагає значних витрат часу та ресурсів); низька оперативність та високі обчислювальні витрати при обрахуванні великої кількості різнорідних ознак сегментів зображень; залежність від масштабу зображення й дефектів (інформативність експертно дібраних ознак залежить від масштабу зображення та розміру самих дефектів); відсутність гарантії оптимальності для дібраних вручну ознак. Доведено, що такий підхід є неефективним, негнучким та ресурсовитратним, особливо в умовах мінливого керамічного виробництва. Запропоновано новий підхід до створення інформаційно-вимірювальної системи контролю якості, що базується на використанні машинного зору з глибокою нейронною мережею та векторною базою даних. На відміну від наявних рішень, які використовують емпіричні функції та експертний добір характеристик зображень, запропонована система використовує вбудовування (embedding) зображень у багатовимірний семантичний простір за допомогою переднавченої згорткової нейронної мережі. Розроблено структурно-функціональну схему процесу аналізу та сортування, яка містить два основні етапи: підготовку векторної бази даних з убудовуваннями зображень еталонних плиток та автоматизацію сортування на технологічній лінії на основі підтримки ухвалення рішень про якість виробу шляхом порівняння вбудовувань зображень. Запропоноване рішення дає змогу уникнути проблем, пов’язаних із суб’єктивністю експертних оцінок та великим обчислювальним навантаженням під час контролю в реальному часі з використанням раніше впроваджених систем контролю.

Посилання

Getman I. A. Measuring control of ceramic tiles at processing of their images and decision-making about a sort in the informatively-measuring system. Research and Technology: Step into the Future. 2009. Vol. 4, No 4. TSI, Riga. P. 20–21.

Meena Y., Mittal A. Blobs and Cracks Detection on Plain Ceramic Tile Surface. International Journal of Advanced Research in Computer Science and Software Engineering. 2013. Vol. 3, No. 7. P. 647–652.

Sanghadiya, Foram & Mistry, Dr. Surface Defect Detection in a Tile using Digital Image Processing: Analysis and Evaluation. International Journal of Computer Applications. 2015. Vol 116, No. 10. P. 33–35. https://doi.org/10.5120/20375-2592

Гетьман І. А. Рішення задач класифікації при вимірювальному контролі керамічних плиток та прийняття рішення про сорт. Сучасні інформаційні технології, засоби автоматизації та електропривод : матеріали ІІ Всеукраїнської науково-технічної конференції, м. Краматорськ, 19–21 квітня 2018 р. Краматорськ : ДДМА, 2018. С. 132–133.

ДСТУ EN 14411:2019 (EN 14411:2012, IDT) Плитки керамічні. Визначення, класифікація, характеристики, оцінка відповідності та маркування : затв. наказом ДП «УкрНДНЦ» від 18.12.2019 № 442. URL: https://zakon.rada.gov.ua/rada/show/v0442774-19#Text (дата звернення: 22.11.2024).

Rostami, Mohammad. Transfer Learning Through Embedding Spaces. CRC Press LLC, 2021. 220 p.

Stephen, Okeke, Maduh, Uchenna, Sain, Mangal. A Machine Learning Method for Detection of Surface Defects on Ceramic Tiles Using Convolutional Neural Networks. Electronics. 2022, Vol. 11(1), No. 55. https://doi.org/10.3390/electronics11010055

John Mylopoulos. Conceptual Modelling III. Structured Analysis and Design Technique (SADT). URL: http://www.cs.toronto.edu/~jm/2507S/Notes04/SADT.pdf (дата звернення 22.11.2024).

Plaban Nayak. Which Vector Database Should You Use? Choosing the Best One for Your Needs. Medium. URL: https://medium.com/the-ai-forum/which-vector-database-should-you-use-choosing-the-best-one-foryour-needs-5108ec7ba133 (дата звернення 22.11.2024).

##submission.downloads##

Опубліковано

2025-03-27

Номер

Розділ

АВТОМАТИЗАЦІЯ, КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ ТА РОБОТОТЕХНІКА