| Περίληψη: | Η χρήση ευφυών συστημάτων για τη βελτίωση των μηχανουργικών κατεργασιών αποτελεί τη βάση για την ανάπτυξη αυτοματισμών και λύσεων επιθεώρησης ποιότητας στη Βιομηχανία 4.0. Οι εφαρμογές Τεχνητής Νοημοσύνης (AI) που βασίζονται σε μεθόδους Μηχανικής Μάθησης (ΜΜ) είναι ευρέως αποδεκτές ως πολλά υποσχόμενες τεχνολογίες στην βιομηχανική παραγωγή. Ωστόσο, οι τεχνικές MΜ απαιτούν μεγάλο όγκο ποιοτικών δεδομένων για εκπαίδευση και, στην περίπτωση εποπτευόμενου ΜΜ, απαιτείται συνήθως χειροκίνητη διαδικασία κατηγοριοποίησης ή επισήμανσης αυτών των δεδομένων. Μια τέτοια προσέγγιση είναι δαπανηρή, επιρρεπής σε σφάλματα και απαιτητική σε εργασία καθώς και σε χρόνο, ιδιαίτερα σε ένα πολύ σύνθετο και δυναμικό περιβάλλον όπως αυτό ενός συστήματος παραγωγής. Τα συνθετικά/τεχνητά σύνολα δεδομένων μπορούν να χρησιμοποιηθούν για την επιτάχυνση της φάσης εκπαίδευσης στο ΜΜ, δημιουργώντας κατάλληλα σύνολα δεδομένων εκπαίδευσης, καθώς και με αυτόματη επισήμανση μέσω μιας αλυσίδας προσομοίωσης και, έτσι, μειώνοντας τη συμμετοχή του χρήστη κατά τη φάση της εκπαίδευσης. Αυτά τα συνθετικά σύνολα δεδομένων μπορούν να ενισχυθούν και να διασταυρωθούν με πληροφορίες από τον πραγματικό κόσμο που δεν απαιτείται να είναι εκτεταμένες σε μέγεθος και χρονοβόρες.
Ο στόχος της διπλωματικής εργασίας είναι να αξιολογήσει την απόδοση των προσεγγίσεων ML όπως τα Νευρωνικά Δίκτυα Συνέλιξης όταν εκπαιδεύονται σε συνθετικά σύνολα δεδομένων για σκοπούς επιθεώρησης ποιότητας αλλά και συμμετοχής στην παραγωγική διαδικασία. Διαφορετικά μοντέλα ΜΜ έχουν επιλεγεί και αξιολογηθεί σε ένα σύνολο πραγματικών δεδομένων, στην περίπτωση αυτή ένα σύνολο εικόνων, που έχουν ληφθεί από το πραγματικό περιβάλλον.
|
|---|
