Системы компьютерного зрения для контроля дефектов поверхности. Разработка требований к системе компьютерного зрения для автоматического обнаружения дефектов поверхности металлических изделий. - купить реферат №612716 по дисциплине Компьютерные технологии
Выберите тип работы
Заказать работу

300 рублей на первый заказ
вам Нужен Реферат ?

Интересует курсовая трудовое право?

  • Оставьте заявку на реферат

  • Получите бесплатную консультацию по написанию

  • Сделайте заказ и скачайте результат на сайте

Реферат по компьютерным технологиям на тему Системы компьютерного зрения для контроля дефектов поверхности. Разработка требований к системе компьютерного зрения для автоматического обнаружения дефектов поверхности металлических изделий.

Реферат

Хотите заказать работу на тему "Системы компьютерного зрения для контроля дефектов поверхности. Разработка требований к системе компьютерного зрения для автоматического обнаружения дефектов поверхности металлических изделий."?

15 страниц

14 источников

Etxt (стандартные настройки)

70% оригинальности Процент указан на момент сдачи работы

Опубликовано: studservis

Учебное заведение: СПбПУ Петра Великого

Ирина Сергеевна Борисова
Автор работы: Ирина Сергеевна Борисова

2500 ₽

5000 ₽

Скачать превью Скачать в 1 клик

Фрагмент для ознакомления 1

ВВЕДЕНИЕ 2
ОСНОВНАЯ ЧАСТЬ 4
Требования к данным и выбору алгоритмов 4
Требования к оборудованию и условиям съёмки 5
Выводы 7
ПРАКТИЧЕСКАЯ ЧАСТЬ 8
Исходные параметры и допущения 8
Камера, оптика и подсветка 8
Ключевые расчёты 8
Конвейер обработки и инференс 10
Пропускная способность и интеграция 10
Критерии приёмки и эксплуатация 10
Выводы 11
ЗАКЛЮЧЕНИЕ 12
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 14

Фрагмент для ознакомления 2

Автоматизация визуального контроля металлических поверхностей необходима: линии ускоряются, номенклатура растёт, ручной осмотр не держит темп и даёт ошибки. Я считаю, что нейросетевые методы повышают полноту выявления брака и снижают ложные срабатывания на бликующих поверхностях [1].
В инспекции металла применимы одноклассовые и безнадзорные методы (one-class, unsupervised): система обучается на «норме» и отмечает отклонения, что снимает требование собирать полный набор всех видов брака [1]. Практическую состоятельность подтверждают бенчмарки: MVTec AD стал эталонным набором для обнаружения и локализации аномалий на объектах и текстурах [2], а MVTec AD 2 добавил более разнообразные сцены и сложные условия съёмки, приближённые к производству [3].
Для сталепроката типовой ориентир – NEU Surface Defect: шесть классов дефектов горячекатаной ленты; набор удобен для отработки классификации, детекции и сегментации именно на металлических поверхностях [4]. Он упрощает сравнение моделей и переход от лабораторного прототипа к пилоту [4].
Чтобы избежать смазывания и бликов, используют линейную (line-scan) съёмку и корректную геометрию света: коаксиальную, низкоугловую, купольную; выбор зависит от микрорельефа и требуемого контраста дефектов [5]. Настройка подсветки часто влияет на результат не меньше, чем выбор модели и обеспечивает стабильность к вариациям процесса [5].
Для выполнения работы был проведен анализ последних научных публикаций и стандартов. В теоретической части использовались ключевые статьи с ведущих конференций по компьютерному зрению (CVPR, ICCV), посвященные безнадзорному обнаружению аномалий (авторы Defard, Roth, Zavrtanik, Jeong), а также официальные стандарты Европейской ассоциации машинного зрения (EMVA 1288) и техническая документация вендоров (Basler, Keyence).
Цель работы – сформулировать систематизированные требования к системе компьютерного зрения для автоматического обнаружения дефектов поверхности металлопродукции.
В основной части анализируются требования к оборудованию, алгоритмам обработки изображений и интеграции системы в производственную линию. В практическом разделе приводятся минимальные расчёты, демонстрирующие реализуемость предложенных требований.

ОСНОВНАЯ ЧАСТЬ
Требования к данным и выбору алгоритмов
Наша цель – уверенно находить поверхностные дефекты металлоизделий в меняющихся условиях съёмки. В качестве базового эталона используем MVTec AD: 15 категорий объектов и текстур, более 5 000 изображений и пиксельные маски дефектов. Этот набор удобен тем, что позволяет сравнивать как детекцию на уровне изображения, так и локализацию на уровне пикселей [6]. Чтобы проверить устойчивость решений на «реалистичных» сценах (сложные фактуры, много классов), дополняем оценку набором VisA, ориентированным на обычные предметы и «магазинный» контекст; он хорошо показывает переносимость и обобщающую способность моделей [7]. Для отчётности фиксируем AUROC на уровне изображений и PRO/AUPRO для локализации – эти метрики подробно описаны и мотивированы в расширенной статье по MVTec AD, поэтому удобно держать их как протокол «по умолчанию» [8]. С примерами объектов и дефектов можно ознакомиться на рисунке 1.

Фрагмент для ознакомления 3

Liu, J., Zhang, X., Li, Y. Deep Industrial Image Anomaly Detection: A Survey // Machine Intelligence Research. – 2024.
MVTec. MVTec Anomaly Detection (MVTec AD) Dataset [Электронный ресурс]. – Официальная страница. – Режим доступа: https://www.mvtec.com/company/research/datasets/mvtec-ad (дата обращения: 30.10.2025).
MVTec. MVTec Anomaly Detection 2 (AD 2) Dataset [Электронный ресурс]. – Официальная страница / загрузка / лидерборд. – Режим доступа: https://www.mvtec.com/company/research/datasets/mvtec-ad2 (дата обращения: 30.10.2025).
NEU Surface Defect Database [Электронный ресурс]. – Описание и зеркала (Kaggle и др.). – Режим доступа: https://www.kaggle.com/datasets (дата обращения: 31.10.2025).
West, P. The Fundamentals of Line Scan Imaging // Vision Systems Design. – 2025. – Серия статей / PDF. – Режим доступа: https://www.vision-systems.com/ (дата обращения: 31.10.2025).
Bergmann, P., Batzner, K., Fauser, M., Sattlegger, D., Steger, C. The MVTec Anomaly Detection Dataset: A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection // International Journal of Computer Vision. – 2021. – DOI: 10.1007/s11263-021-01588-7.
Zou, Y., Jeong, J., Xie, J., et al. SPot-the-Difference: Fine-grained Anomaly Detection via VisA Dataset // Proceedings of the European Conference on Computer Vision (ECCV). – 2022. – Режим доступа: https://arxiv.org/abs/2207.11368(дата обращения: 01.11.2025).
Defard, T., Setkov, A., Loesch, A., Audigier, R. PaDiM: A Patch Distribution Modeling Framework for Anomaly Detection and Localization [Электронный ресурс]. – arXiv:2011.08785. – 2020. – Режим доступа: https://arxiv.org/abs/2011.08785 (дата обращения: 01.11.2025).
Roth, K., Pemula, L., Zepeda, J., et al. PatchCore: Towards Total Recall in Industrial Anomaly Detection [Электронный ресурс]. – arXiv:2106.08265. – 2021. – Режим доступа: https://arxiv.org/abs/2106.08265 (дата обращения: 02.11.2025).
Zavrtanik, V., Kristan, M., Skocaj, D. DRAEM – A Discriminatively Trained Reconstruction Embedding for Surface Defect Detection // Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). – 2021. – Режим доступа: https://openaccess.thecvf.com/content/ICCV2021/html/Zavrtanik_DRAEM_ICCV_2021.html (дата обращения: 02.11.2025).
Jeong, J., Zou, Y., Lee, J., et al. WinCLIP: CLIP for Industrial Anomaly Detection // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2023. – Режим доступа: https://openaccess.thecvf.com/content/CVPR2023/html/Jeong_WinCLIP_CVPR_2023.html (дата обращения: 03.11.2025).
EMVA. Standard 1288. Release 4.0. Standard for Characterization of Image Sensors and Cameras [Электронный ресурс]. – EMVA, 2021. – Режим доступа: https://www.emva.org/standards-technology/emva-1288/ (дата обращения: 03.11.2025).
Basler AG. Line-scan GigE Use Cases: Triggers and Encoder Configuration [Электронный ресурс]. – Basler Documentation Portal. – Режим доступа: https://docs.baslerweb.com/ (дата обращения: 03.11.2025).
KEYENCE Corporation. Basics of Lighting Selection in Machine Vision Inspection [Электронный ресурс]. – KEYENCE Knowledge Center. – Режим доступа: https://www.keyence.com/ (дата обращения: 03.11.2025).

Узнать стоимость работы

Заказать другую работу
калькулятор цены
Стоимость без скидки:
(скидка до 700 рублей)
* — точная стоимость будет определена после уточнения сроков сдачи работы, количества страниц и уровня исполнения.