Ανάπτυξη μεθόδου δημιουργίας και χρήσης συνθετικών δεδομένων για εφαρμογές τεχνητής νοημοσύνης σε συστήματα παραγωγής : εφαρμογή στη οπτική αναγνώριση
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 υποσχόμε...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16538 |
| id |
nemertes-10889-16538 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-165382022-09-05T14:04:57Z Ανάπτυξη μεθόδου δημιουργίας και χρήσης συνθετικών δεδομένων για εφαρμογές τεχνητής νοημοσύνης σε συστήματα παραγωγής : εφαρμογή στη οπτική αναγνώριση Development of a method for generating and using synthetic datasets for artificial intelligence applications in manufacturing systems : application in visual recognition Μανέττας, Χρήστος Manettas, Christos Τεχνητή νοημοσύνη Μηχανική μάθηση Υπολογιστική όραση Οπτική αναγνώριση Artificial intelligence Machine learning Object recognition Computer vision 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. The use of intelligent systems to improve manufacturing processes is the basis for the development of automation and quality inspection solutions in Industry 4.0. Artificial Intelligence (AI) applications based on Machine Learning (ML) methods are widely accepted as promising technologies in manufacturing. However, ML techniques require large volumes of quality training datasets and in the case of supervised ML manual input is usually required for labelling those datasets. Such an approach is expensive, prone to errors and labor as well as time intensive, especially in a highly complex and dynamic environment as those of a production system. Synthetic datasets can be utilized for accelerating the training phase in ML by creating suitable training datasets as well as by automatic labelling via the simulation tools chain and thus alleviating user’s involvement during the training phase. These synthetic datasets can be enhanced and cross-validated with real-world information which is not required to be extensive. The objective of the thesis is to evaluate the performance of ML approaches such as Convolution Neural Networks when trained upon synthetic datasets. Four industrially relevant cases will be examined: a) a classification task, b) a color detection task c) an object detection task for robotic control and d) object detection task for quality inspection. Different ML models have been selected and evaluated on a set of actual data, in this case a set of images taken from the real environment. 2022-07-18T05:11:14Z 2022-07-18T05:11:14Z 2022-07-17 http://hdl.handle.net/10889/16538 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Τεχνητή νοημοσύνη Μηχανική μάθηση Υπολογιστική όραση Οπτική αναγνώριση Artificial intelligence Machine learning Object recognition Computer vision |
| spellingShingle |
Τεχνητή νοημοσύνη Μηχανική μάθηση Υπολογιστική όραση Οπτική αναγνώριση Artificial intelligence Machine learning Object recognition Computer vision Μανέττας, Χρήστος Ανάπτυξη μεθόδου δημιουργίας και χρήσης συνθετικών δεδομένων για εφαρμογές τεχνητής νοημοσύνης σε συστήματα παραγωγής : εφαρμογή στη οπτική αναγνώριση |
| description |
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. |
| author2 |
Manettas, Christos |
| author_facet |
Manettas, Christos Μανέττας, Χρήστος |
| author |
Μανέττας, Χρήστος |
| author_sort |
Μανέττας, Χρήστος |
| title |
Ανάπτυξη μεθόδου δημιουργίας και χρήσης συνθετικών δεδομένων για εφαρμογές τεχνητής νοημοσύνης σε συστήματα παραγωγής : εφαρμογή στη οπτική αναγνώριση |
| title_short |
Ανάπτυξη μεθόδου δημιουργίας και χρήσης συνθετικών δεδομένων για εφαρμογές τεχνητής νοημοσύνης σε συστήματα παραγωγής : εφαρμογή στη οπτική αναγνώριση |
| title_full |
Ανάπτυξη μεθόδου δημιουργίας και χρήσης συνθετικών δεδομένων για εφαρμογές τεχνητής νοημοσύνης σε συστήματα παραγωγής : εφαρμογή στη οπτική αναγνώριση |
| title_fullStr |
Ανάπτυξη μεθόδου δημιουργίας και χρήσης συνθετικών δεδομένων για εφαρμογές τεχνητής νοημοσύνης σε συστήματα παραγωγής : εφαρμογή στη οπτική αναγνώριση |
| title_full_unstemmed |
Ανάπτυξη μεθόδου δημιουργίας και χρήσης συνθετικών δεδομένων για εφαρμογές τεχνητής νοημοσύνης σε συστήματα παραγωγής : εφαρμογή στη οπτική αναγνώριση |
| title_sort |
ανάπτυξη μεθόδου δημιουργίας και χρήσης συνθετικών δεδομένων για εφαρμογές τεχνητής νοημοσύνης σε συστήματα παραγωγής : εφαρμογή στη οπτική αναγνώριση |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16538 |
| work_keys_str_mv |
AT manettaschrēstos anaptyxēmethodoudēmiourgiaskaichrēsēssynthetikōndedomenōngiaepharmogestechnētēsnoēmosynēssesystēmataparagōgēsepharmogēstēoptikēanagnōrisē AT manettaschrēstos developmentofamethodforgeneratingandusingsyntheticdatasetsforartificialintelligenceapplicationsinmanufacturingsystemsapplicationinvisualrecognition |
| _version_ |
1771297263807627264 |
