Детальная информация

Магистерская работа посвящена разработке системы технического зрения на основе методов машинного и глубокого обучения для автоматического выявления дефектов поверхности металлических баночек. Актуальность темы определяется необходимостью повышения точности и скорости контроля качества на производстве. Цель исследования — создание высокоэффективной системы, способной в реальном времени обнаруживать дефекты с высокой точностью. В теоретической части рассмотрены современные архитектуры компьютерного зрения, включая CNN, U-Net, YOLO, SSD, а также алгоритмы классификации и сегментации изображений. В методологической части описан подбор оборудования процесс подготовки данных и обучение модели. Разметка изображений производилась вручную, а обученная модель была встроена в смарт-камеру и успешно интегрирована в производственный цикл. Результаты испытаний показали высокую точность модели, устойчивость к вариациям условий и снижение доли невыявленного брака до 0,06 %. Работа подтверждает достижение поставленных целей и демонстрирует практическую эффективность предложенного решения. В заключение сформулированы направления дальнейших исследований.

The relevance of the topic is driven by the need to improve the accuracy and speed of quality control in manufacturing. The aim of the study is to create a highly efficient system capable of detecting defects in real-time with high precision. The theoretical section explores modern computer vision architectures, including CNN, U-Net, YOLO, and SSD, as well as algorithms for image classification and segmentation. The methodological part describes the selection of equipment (INVT PLC, Hikrobot cameras, HMI panels), the data preparation process, and model training. Image annotation was performed manually, and the trained model was embedded into a smart camera and successfully integrated into the production cycle.Test results demonstrated high model accuracy (Recall — 97.7%, Precision — 93.5%), robustness to variations in conditions, and a reduction in undetected defects to 0.06%. The work confirms that the research goals were achieved and showcases the practical effectiveness of the proposed solution. In conclusion, directions for future research are outlined, including the use of 3D vision, hyperspectral analysis, and self-learning model.