Show simple item record

dc.creatorRuusunen, Juho
dc.date.accessioned2018-08-22T09:39:13Z
dc.date.available2018-08-22T09:39:13Z
dc.identifier.urihttp://dspace.cc.tut.fi/dpub/handle/123456789/26467
dc.description.abstractIn this work, automated methods for counting the number of shards in a picture of broken glass are reviewed. The minimum number of shards in a specific observation field is a standardized requirement for tempered glass. The operator of the tempering machine typically counts the shards manually. Manual counting is laboursome, time consuming and prone to human errors. Several image processing and machine learning methods for automating the counting task are experimented with in this work. The best performing method proved to be a deep learning convolutional neural network combined with a simple postprocessing scheme. The neural network segments each shard in an image and with postprocessing the shard count can be obtained robustly. Architecture of the framework is presented in detail in this work and its performance is evaluated extensively. The framework reached below 5 % mean absolute counting error on the used validation data.en
dc.description.abstractTässä työssä tarkastellaan automaattisia menetelmiä murtuneen lasin sirulukumäärän laskemiseen kameralla otetusta kuvasta. Sirujen minimilukumäärä tietyllä tarkastelualueella on standardoitu vaatimus karkaistulle lasille. Laskennan suorittaa tyypillisesti karkaisukoneen operaattori manuaalisesti. Manuaalinen laskenta on työlästä, aikaa vievää ja altis inhimillisille virheille. Työssä tutkitaan erilaisia kuvankäsittelymenetelmiä ja koneoppimiseen perustuvia menetelmiä sirulaskennan automatisoimiseksi. Parhaaksi menetelmäksi valikoitui syväoppiva konvolutiivinen neuroverkko yhdistettynä yksinkertaiseen jälkikäsittelyyn. Neuroverkko erittelee sirut kuvasta ja jälkikäsittelyllä saadaan laskettua luotettavasti lukumäärä siruille. Systeemin rakenne esitetään työssä seikkaperäisesti ja sen suorituskykyä arvioidaan kattavasti. Menetelmällä saavutettiin alle 5 % keskimääräinen laskentavirhe käytetyllä validointidatalla.en
dc.format.extent81en
dc.format.mimetypeapplication/pdf
dc.language.isoenen
dc.rightsThis publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
dc.titleDeep neural networks for evaluating the quality of tempered glassen
dc.title.alternativeSyväoppivat neuroverkot karkaistun lasin laadun arviointiinen
dc.identifier.urnURN:NBN:fi:tty-201808292223
dc.contributor.laitosKone- ja tuotantotekniikka – Mechanical Engineering and Industrial Systemsen
dc.contributor.tiedekuntaTeknisten tieteiden tiedekunta – Faculty of Engineering Sciencesen
dc.contributor.yliopistoTampereen teknillinen yliopisto - Tampere University of Technology
dc.programmeKonetekniikkaen
dc.date.published2018-09-05
dc.permissionPermission granteden
dc.contributor.thesisadvisorHuttunen, Heikki
dc.contributor.degreesupervisorHuttunen, Heikki
dc.contributor.degreesupervisorSyrjälä, Seppo
dc.type.ontasotDiplomityö - Master's thesis


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record