Similar presentations:
Разработка автоматизированной системы сортировки пиломатериалов
1.
РАЗРАБОТКААВТОМАТИЗИРОВАННОЙ
СИСТЕМЫ СОРТИРОВКИ
ПИЛОМАТЕРИАЛОВ
Вологодский государственный университет
2.
ВВЕДЕНИЕВопрос оптимальной переработки сырья в
деревообработке является актуальным на
данный момент;
Технологические особенности производства
на средних и крупных лесопильных
предприятиях, учитывая современный
российский рынок рабочей силы, делают все
более актуальным и экономически
оправданным применение автоматизированных
линий сортировки пиломатериалов;
Необходимость получения максимальной
выгоды из каждой единицы сырья приводит к
смене ручного труда машинным.
3.
АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ ИПОСТАНОВКА ЗАДАЧ
‼ В современных условиях работа по сортировке деревянной доски
осуществляется сотрудниками без применения специализированных
приборов, исключительно визуально.
Автоматизированный поиск дефектов производится машинным
зрением.
Специальными алгоритмами распознавания ведется обработка
полученного изображения с камер.
Каждый порок имеет отличительные признаки:
- цвет,
- строение,
- запах,
- форму, размер.
Поэтому система, как и человек, может различать дефекты
визуально.
Целью работы является сведение к минимуму участия
человека в процессе сортировки досок за счет разработки
автоматизированной системы сортировки на основе
искусственного интеллекта.
4.
ОБНАРУЖЕНИЕДЕФЕКТОВ
ПИЛОМАТЕРИАЛОВ
Обнаружение сучков и карманов
5.
АНАЛИЗ АНАЛОГОВНа российском рынке существует продукт RuScan от
компании «АВТОМАТИКА-ВЕКТОР».
Это комплексная система, которая может выполнять
сканирование пиломатериалов и поиск дефектов в
реальном времени.
Конструкция представляет собой две или три рампы, на
основаниях которых установлены камеры с
осветительными приборами.
Интерфейс системы представлен на рисунке.
Такие экраны используются в цеху, чтобы работник
видел информацию о доске и смог в дальнейшем ее
правильно отсортировать.
6.
АНАЛИЗ АНАЛОГОВВторой интерфейс представляет собой
окно, куда вносятся параметры дефектов.
В интерфейсе существует функция
изменения параметров, по которым
осуществляется конфигурация всей
системы.
Из недостатков системы: неудобный,
устаревший интерфейс, высокая
стоимость интеграции.
Приложение для платформы Windows
изображено на рисунке.
7.
АНАЛИЗ И ВЫБОР АРХИТЕКТУР НЕЙРОННЫХ СЕТЕЙ1. Алгоритм обработки изображений досок будет основан на работе свёрточной нейронной сети.
2. В процессе работы происходит переход от конкретных особенностей изображения к более
абстрактным деталям, и далее к ещё более абстрактным деталям вплоть до выделения понятий
высокого уровня.
3. Каждый пиксель изображения имеет значение цвета и яркости.
4. Цвет определяется палитрой RGB(red, green, blue).
5. Яркость значением отражаемого от поверхности света.
Рисунок. Принцип работы свёрточной нейронной сети
8.
ПОСТАНОВКА ЗАДАЧ- на основе анализа предметной области определиться с технологиями,
которые будут использоваться в реализации проекта;
- определить этапы работы по реализации проекта;
- подготовить изображения для классифицирования;
- произвести проектирование межмодульных интерфейсов;
- произвести проектирование алгоритмов работы нейронной сети и баз
данных;
- произвести проектирование пользовательского интерфейса;
- реализовать программную часть разработки;
- выполнить тестирование продукта.
9.
АНАЛИЗ ТРЕБОВАНИЙ ИПРОЕКТИРОВАНИЕ
‼ На основе анализа предметной области и поставленных задач необходимо сформулировать четкие
требования к разрабатываемому программному продукту.
В данном разделе описаны функции, которые должны быть реализованы нами, как
разработчиками.
10.
РАЗРАБОТКА ФУНКЦИОНАЛЬНОЙ МОДЕЛИ11.
ДЕКОМПОЗИРОВАНИЕ IDEF012.
ПРОЕКТИРОВАНИЕ АЛГОРИТМОВРисунок - Архитектура используемой нейронной сети.
13.
ПРОЕКТИРОВАНИЕ ИНТЕРФЕЙСОВ14.
РЕАЛИЗАЦИЯКаждый пиксель изображения имеет значение цвета и яркости. При определении их
количественных характеристик появляется возможность определить отклонение в значениях
обрабатываемого экземпляра от номинально заданных для здоровой доски.
Номинальные размеры пиломатериалов по толщине и ширине устанавливаются
по ГОСТ 24454-80, при этом толщина пиломатериалов не должна превышать 100
мм.
Номинальные размеры пиломатериалов установлены для древесины с влажностью 20%. При
влажности древесины более или менее 20% фактические размеры толщины и ширины пиломатериалов
должны быть больше или меньше номинальных размеров на соответствующую величину усушки по ГОСТ
6782.1-75.
15.
СОЗДАНИЕ И ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИСоздание нейронной сети выполнено
при помощи библиотеки Keras.
У сети 3 входа, скрытый слой с тремя
нейронами (h1, h2, h3), слой вывода с
одним нейроном (o1).
Перед началом работы задаются
случайные значения весов.
Обучение нейронной сети
будет выполняться методом
обратного распространения
ошибки с применением
градиентного спуск а.
Данный способ относят к
методу обучения с учителем,
поэтому требуется задавать в
обучающих примерах
целевые значения.
16.
ТЕСТИРОВАНИЕ17.
СМЕТА ПРОЕКТА№
п/п
1
2
3
4
5
6
Распределение пиломатериалов в
одной партии по сортам
Сканер
Наименование статьи расходов
Сумма, тыс. руб.
Заработная плата
Начисления на заработную плату
Оборудование
Материалы, сырье и комплектующие
Оплата работ соисполнителей и
сторонних организаций
Накладные расходы
80
24,16
0
0
0
Итого
128,16
Оператор
Наш проект
I-IV
V
Брак
I-IV
V
Брак
I-IV
V
Брак
57
23
20
49
31
23
51
28
21
Сосна 47
41
12
39
49
15
44
43
13
Ель
24
18.
ЗАКЛЮЧЕНИЕВ процессе выполнения был проведен анализ предметной области.
Нами были рассмотрены виды и пороки древесины, изучена работа
механического устройства по сортировке, сделан обзор аналогов, осуществлен
анализ архитектур нейронных сетей.
По полученным данным сформированы задачи и выбраны методы и средства их
решения.
Реализовано классифицирование сортов по наличию дефектов.
Реализовано написание нейронной сети для поиска дефектов по фотографии
доски.
Реализовано обучение нейронной сети распознаванию дефектов на
фотографии.
Проведено тестирование, в ходе которого система успешно определила 78 из
100.
19.
СПАСИБО ЗАВНИМАНИЕ!