Детальная информация

Цель – разработка рекомендаций по подбору гиперпараметров нейронной сети визуальной дефектоскопии в автоматизированной системе контроля качества путём исследования их влияния на метрики качества работы модели. Для достижения цели решались следующие задачи: 1) разработка нейронной сети для детектирования дефектов; 2) анализ метрик работы модели и исследование её производительности; 3) исследование влияния гиперпараметров на результаты обучения; 4) подготовка рекомендаций по настройке модели и её интеграции. В ходе работы разработана нейронная сеть визуальной дефектоскопии, произведён анализ результатов её обучения (метрик), а также составлены рекомендации по подбору гиперпараметров. Работа выполнена в облачной среде Google Colab, где проводился запуск алгоритма программирования нейронной сети на GPU-ускорителе. Разработка собственной модели компьютерного зрения для автоматизированной системы контроля качества обеспечивает более доступное и экономичное решение для малых и средних предприятий, по сравнению с дорогими готовыми решениями, а рекомендации по подбору гиперпараметров упрощают настройку нейросети для повышения качества её работы.

The goal – development recommendations for configuring the hyperparameters of a neural network for visual defectoscopy in an automated quality control system, based on studying the impact of hyperparameters on the quality metrics of the model.  To achieve this goal, the following tasks were completed: 1) development of a neural network for defect detection; 2) analysis of model metrics and performance evaluation; 3) investigation of the hyperparameters’ impact on training results; 4) preparation of recommendations for model configuration and integration. A neural network for visual defectoscopy was developed, and an analysis of the training results (metrics) was conducted. Recommendations for hyperparameter selection were compiled. The work was carried out in the Google Colab cloud environment, where the neural network programming algorithm was launched on a GPU accelerator. Development of own computer vision model for an automated quality control system provides a more accessible and cost-effective solution for small and medium-sized enterprises, compared to expensive ready-made solutions, and recommendations for selecting hyperparameters simplify setting up a neural network to improve the quality of its work.