Automatic defect detection in leather

Detalhes bibliográficos
Autor(a) principal: Soares, João Pedro Matos Ribeiro
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/84176
Resumo: Dissertação de mestrado em Informatics Engineering
id RCAP_182a6e6da73b7141f946e2a367f2026e
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/84176
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Automatic defect detection in leatherDeteção automática de defeitos em couroMachine LearningVisão por computadorCouroDeteçãoDefeitosComputer visionLeatherDetectionDefectsEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaDissertação de mestrado em Informatics EngineeringEsta dissertação desenvolve-se em torno do problema da deteção de defeitos em couro. A deteção de defeitos em couro é um problema tradicionalmente resolvido manualmente, usando avaliadores ex perientes na inspeção do couro. No entanto, como esta tarefa é lenta e suscetível ao erro humano, ao longo dos últimos 20 anos tem-se procurado soluções que automatizem a tarefa. Assim, surgiram várias soluções capazes de resolver o problema eficazmente utilizando técnicas de Machine Learning e Visão por Computador. No entanto, todas elas requerem um conjunto de dados de grande dimensão anotado e balanceado entre as várias categorias. Assim, esta dissertação pretende automatizar o processo tradicio nal, usando técnicas de Machine Learning, mas sem recorrer a datasets anotados de grandes dimensões. Para tal, são exploradas técnicas de Novelty Detection, as quais permitem resolver a tarefa de inspeção de defeitos utilizando um conjunto de dados não supervsionado, pequeno e não balanceado. Nesta dis sertação foram analisadas e testadas as seguintes técnicas de novelty detection: MSE Autoencoder, SSIM Autoencoder, CFLOW, STFPM, Reverse, and DRAEM. Estas técnicas foram treinadas e testadas com dois conjuntos de dados diferentes: MVTEC e Neadvance. As técnicas analisadas detectam e localizam a mai oria dos defeitos das imagens do MVTEC. Contudo, têm dificuldades em detetar os defeitos das imagens do dataset da Neadvance. Com base nos resultados obtidos, é proposta a melhor metodologia a usar para três diferentes cenários. No caso do poder computacional ser baixo, SSIM Autoencoder deve ser a técnica usada. No caso onde há poder computational suficiente e os exemplos a analisar são de uma só cor, DRAEM deve ser a técnica escolhida. Em qualquer outro caso, o STFPM deve ser a opção escolhida.This dissertation develops around the leather defects detection problem. The leather defects detec tion problem is traditionally manually solved, using experient assorters in the leather inspection. However, as this task is slow and prone to human error, over the last 20 years the searching for solutions that automatize this task has continued. In this way, several solutions capable to solve the problem effi ciently emerged using Machine Learning and Computer Vision techniques. Nonetheless, they all require a high-dimension dataset labeled and balanced between all categories. Thus, this dissertation pretends to automatize the traditional process, using the Machine Learning techniques without requiring a large dimensions labelled dataset. To this end, there will be explored Novelty Detection techniques, that in tend to solve the leather inspection task using an unsupervised small and non-balanced dataset. This dissertation analyzed and tested the following Novelty Detection techniques: MSE Autoencoder, SSIM Autoencoder, CFLOW, STFPM, Reverse, and DRAEM. These techniques are trained and tested in two distinct datasets: MVTEC and Neadvance. The analyzed techniques detect and localize most MVTEC defects. However, they have difficulties in defect detection on Neadvance samples. Based on the ob tained results, it is proposed the best methodology to use for three distinct scenarios. In the case where the computational power available is low, SSIM Autoencoder should be the technique to use. In the case where there is enough computational power and the samples to inspect have the same color, DRAEM should be the chosen technique. In any other case, the STFPM should be the chosen option.Magalhães, Luís Gonzaga MendesUniversidade do MinhoSoares, João Pedro Matos Ribeiro2022-12-192022-12-19T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/84176eng203255402info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:04:20Zoai:repositorium.sdum.uminho.pt:1822/84176Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:54:37.863631Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Automatic defect detection in leather
Deteção automática de defeitos em couro
title Automatic defect detection in leather
spellingShingle Automatic defect detection in leather
Soares, João Pedro Matos Ribeiro
Machine Learning
Visão por computador
Couro
Deteção
Defeitos
Computer vision
Leather
Detection
Defects
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
title_short Automatic defect detection in leather
title_full Automatic defect detection in leather
title_fullStr Automatic defect detection in leather
title_full_unstemmed Automatic defect detection in leather
title_sort Automatic defect detection in leather
author Soares, João Pedro Matos Ribeiro
author_facet Soares, João Pedro Matos Ribeiro
author_role author
dc.contributor.none.fl_str_mv Magalhães, Luís Gonzaga Mendes
Universidade do Minho
dc.contributor.author.fl_str_mv Soares, João Pedro Matos Ribeiro
dc.subject.por.fl_str_mv Machine Learning
Visão por computador
Couro
Deteção
Defeitos
Computer vision
Leather
Detection
Defects
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
topic Machine Learning
Visão por computador
Couro
Deteção
Defeitos
Computer vision
Leather
Detection
Defects
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
description Dissertação de mestrado em Informatics Engineering
publishDate 2022
dc.date.none.fl_str_mv 2022-12-19
2022-12-19T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/84176
url https://hdl.handle.net/1822/84176
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 203255402
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132328435384320

Registros relacionados