OpenCV-konenäkökirjasto ja virheiden tunnistaminen teräspinnoista

Abstract

Tässä kandidaatintyössä perehdytään virheiden tunnistamiseen teräsnauhojen sekä valuaihioiden pinnoista. Työssä käydään läpi konenäön perusmenetelmiä sekä toteutustapoja ja näiden toteutusta OpenCV konenäkökirjaston avulla. Konkreettisia esimerkkejä lasketaan hyödyntäen todellista kuvadataa terästeollisuudesta. Myös syväoppimista sivutaan. Työssä nähdään, ettei virheiden tunnistus teräspinnoista konenäön avulla ole helpoin mahdollinen tehtävä. Konenäön avulla on mahdollista kerätä suuria määriä tietoa prosessien eri vaiheista ja tiedosta hyötyminen voi olla haastavaa, mutta oikein toteutettuna konenäkö tuottaa arvoa sekä voi vähentää resurssien turhaa kulutusta.

The aim of this thesis is to familiarize the reader in the detection of defects in steel surfaces. The basic machine vision methods and their implementation using the OpenCV machine vision library are reviewed. Concrete examples are calculated utilizing real image data from the steel industry. Deep learning is also touched on. It becomes apparent that the detection of defects from steel surfaces using machine vision is not the easiest task. Machine vision makes it possible to gather large amounts of information about various process stages. Utilizing this information may be challenging, but when implemented correctly it can produce value and reduce unnecessary consumption of resources.