Details

Title: Разработка алгоритма распознавания качества кристаллов на основе машинного обучения: выпускная квалификационная работа магистра: направление 09.04.01 «Информатика и вычислительная техника» ; образовательная программа 09.04.01_17 «Интеллектуальные системы (международная образовательная программа) / Intelligent Systems (International Educational Program)»
Creators: Ли Лэй
Scientific adviser: Малыхина Галина Федоровна
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2022
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: Нейронные сети; Обработка изображений; Искусственный интеллект; качество кристаллов; распознавание изображений; crystal quality; image recognition
UDC: 004.032.26; 004.932; 004.8
Document type: Master graduation qualification work
File type: PDF
Language: Russian
Level of education: Master
Speciality code (FGOS): 09.04.01
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
DOI: 10.18720/SPBPU/3/2022/vr/vr22-4053
Rights: Доступ по паролю из сети Интернет (чтение, печать)
Record key: ru\spstu\vkr\18239

Allowed Actions:

Action 'Read' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

Роботизированная автоматизация процесса сортировки кристаллов в горнодобывающей промышленности является неизбежной задачей, для решения которой необходимо разработать новые методы и алгоритмы. Наиболее эффективным методом является использование методов глубокого обучения и обработки изображений для автоматической сортировки кристаллов. Традиционная сортировка кристаллов основана на ручной проверке кристаллов на наличие дефектов, в основном путем визуального осмотра. Этот метод полагается на человеческий глаз для осмотра и определения качества кристаллов непосредственно путем их маркировки с помощью вспомогательного оборудования, такого как фонарики и увеличительные стекла. Метод ручной сортировки в основном полагается на опыт сортировщика, который классифицирует кристаллы на высококачественные, среднего качества и низкого качества в соответствии с различиями в цвете, форме, размере и прозрачности кристаллов. Традиционные методы сортировки кристаллов являются дорогостоящими и неэффективными. В данной работе мы предлагаем метод, основанный на глубоком обучении и методах обработки изображений, для автоматической сортировки кристаллов. Семь неортогональных изображений кристалла собираются камерой, затем изображения обрабатываются для улучшения характеристик сортировки, а затем строится специальная модель нейронной сети для идентификации изображений кристалла. В процессе обработки изображения такие операции, как определение края, в основном используются для выявления границы контура кристалла на изображении, а граница контура отражает форму и размер кристалла, что является важной основой для сортировки кристалла. При построении нейросетевой модели, поскольку одному кристаллу соответствует 7 неортогональных изображений, сначала строятся 7 малых нейронных сетей, а затем выходные результаты 7 малых нейронных сетей логически объединяются для построения специальной большой нейронной сети. Нейронная сеть, и, наконец, эта специальная нейронная сеть выводит результат распознавания кристалла. В данной работе нейросетевые модели обучаются с использованием улучшенных изображений кристаллов для получения высокоточных результатов распознавания, которые отображаются визуально через пользовательский интерфейс. Программная среда, используемая в данной работе, - Matlab.

Robotic automation of the crystal sorting process in the mining industry is an imminent challenge, for which it is necessary to develop new methods and algorithms. The most effective method is to use deep learning and image processing techniques to automatically sort crystals. Conventional crystal sorting relies on manual inspection of crystals for defects, mainly by visual inspection. This method relies on the human eye to inspect and determine the quality of the crystals directly by marking them with the aid of auxiliary equipment such as flashlights and magnifying glasses. The manual sorting method mainly relies on the experience of the sorter to classify the crystals into high quality, medium quality and low quality according to the differences in color, shape, size and transparency of the crystals. Traditional methods for sorting crystals are costly and inefficient. In this paper, we propose a method that relies on deep learning and image processing techniques to automatically sort crystals. Seven non-orthogonal images of the crystals are acquired by the camera, and then the images are processed to enhance the binning features, and then a special neural network model is constructed to recognize the crystal images. In the process of image processing, operations such as edge detection are mainly used to identify the contour boundary of the crystal in the image, and the contour boundary reflects the shape and size of the crystal, which is an important basis for crystal sorting. In building the neural network model, since a crystal corresponds to 7 non-orthogonal images, 7 small neural networks are constructed first, and then the output results of the 7 small neural networks are logically combined to build a special large neural network, and finally this special neural network outputs the crystal recognition results.In this paper, the neural network model is trained by using the crystal image after image enhancement, and the recognition results are obtained with high accuracy and displayed visually through the user interface. The software environment used in this paper is Matlab.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print
External organizations N2 All Read
External organizations N1 All
Internet Authorized users SPbPU Read Print
Internet Authorized users (not from SPbPU, N2) Read
Internet Authorized users (not from SPbPU, N1)
-> Internet Anonymous

Table of Contents

  • Assignment
  • Abstract含俄语
  • Main Chapter

Usage statistics

stat Access count: 0
Last 30 days: 0
Detailed usage statistics