Ανάπτυξη μεθόδων βαθιάς μάθησης για την αναγνώριση βιομηχανικών προϊόντων

Abstract

Η εξέλιξη της τεχνολογίας στις μέρες μας έχει επιφέρει σημαντική πρόοδο και βελτίωση σε κάθε τομέα της βιομηχανίας. Εξειδικευμένα - συνεχώς εξελισσόμενα - τεχνολογικά μέσα ενσωματώνονται καθημερινά σε βιομηχανικές μονάδες, προκειμένου να διευκολύνουν την υλοποίηση της εκάστοτε παραγωγής, να οργανώσουν ένα σύνολο εργασιών που είναι απαραίτητο να εκτελεστούν στα πλαίσια ενός κύκλου εργασιών μιας μονάδας, να βελτιστοποιήσουν τον τομέα ανάπτυξης και του marketing της βιομηχανίας, αλλά και να πετύχουν την αμεσότερη και καλύτερη επικοινωνία των διαφόρων τμημάτων είτε στο επίπεδο της μονάδας είτε μεταξύ των μονάδων που διαθέτει εκάστοτε βιομηχανία (ακόμα και για την επικοινωνία παραρτημάτων σε παγκόσμιο επίπεδο). Έτσι, παρατηρείται η συνεχής ενσωμάτωση νέων τεχνολογιών σε βιομηχανικές μονάδες, είτε μέσω υλικολογισμικού είτε μέσω νέων – βελτιωμένων λογισμικών συστημάτων σε κάθε τμήμα μιας δομημένης βιομηχανίας. Στην εργασία αυτή ερευνούμε την Οπτική Αναγνώριση Βιομηχανικών Προϊόντων ακολουθώντας δύο προσεγγίσεις που περιγράφονται παρακάτω. Για την αξιολόγηση κάθε προσέγγισης, χρησιμοποιούμε σύνολα δεδομένων και πειραματικές ρυθμίσεις που ακολουθούνται από τη βιβλιογραφία. Σκοπός της παρούσας διπλωματικής εργασίας είναι η παρουσίαση και η σύγκριση τεχνικών υπολογιστικής όρασης και τεχνικών βαθιάς μάθησης. Είναι δύο εντελώς διαφορετικές προσεγγίσεις του θέματος, καθεμία με τα δικά της πλεονεκτήματα. Στην πρώτη προσέγγιση εξάγουμε χαρακτηριστικά από τις εικόνες και ταξινομούμε ένα σύνολο εικόνων με βάση τα χαρακτηριστικά αυτά. Χρησιμοποιούμε χαρακτηριστικά που είναι αμετάβλητα ως προς την κλίμακα, ως προς την περιστροφή καθώς και μία μέθοδο ταχείας εξαγωγής. Δεδομένου ότι ολόκληρη η διαδικασία ανίχνευσης είναι ένα ενιαίο δίκτυο, μπορεί να βελτιστοποιηθεί άμεσα από άκρο σε άκρο. Για την αξιολόγηση των μεθόδων και την εκτέλεση των πειραμάτων χρησιμοποιούμε το σύνολο δεδομένων που συνελλέξαμε με τη χρήση μη επανδρωμένου αεροχήματος (Drone). Στην δεύτερη προσέγγιση κάνουμε χρήση Συνελικτικών Νευρωνικών Δικτύων, τα οποία εκπαιδεύονται στο σύνολο δεδομένων. Χρησιμοποιούμε είτε εκπαιδευμένα εκ των προτέρων νευρωνικά δίκτυα είτε όχι για την παραγωγή των μοντέλων. Για την αξιολόγηση των μεθόδων και την εκτέλεση των πειραμάτων χρησιμοποιούμε το σύνολο δεδομένων.

The introduction of automation technologies in product warehouses is considered essential today, for the most effective and smoothest operation and organization of storage inventory control and monitoring. The significance of integrating automation technologies is particularly significant, especially in the modern era of globalization, as numerous global industrial companies with a wide range of products need to control and organize their distribution warehouses in the most modern and beneficial way possible. Specifically, replacing the extensive human factor, required in previous years for organizing distribution warehouses, is rapidly increasing, as technological means come into consideration. As a result, the risk of human error is minimized, control is carried out promptly and securely, and the cost for companies is significantly reduced, focusing primarily on the acquisition and maintenance of technological tools. A form of technology sought to be integrated into the organization and overall efficient operation of warehouses is considered to be the use of Unmanned Aerial Vehicles (UAVs or Drones). Specifically, with the technologies with which a drone can be equipped and in combination with suitable software, the direct detection and identification of the inventory of a product warehouse can be achieved. The aforementioned process provides the necessary technological support in the field of logistics for each company and assists in the best possible way the respective product storage department and the employees working in it, keeping them constantly informed about the inventory status and the overall productivity of the distribution warehouse. In this work, we investigate on Optical Industrial item Recognition in a Warehouse following two approaches that are described below. For the evaluation of each approach, we use datasets and configuration used in bibliography. The aim of my thesis is to present and compare computer vision and deep learning techniques. They are very different approaches, each one with its own advantages. In the first approach, we extract features from the images and classify a dataset of images according to these features. We use scale and rotation invariant features as well as a method of fast features extraction. As the whole procedure of classification is a unified network, it can be end-to-end optimized. For the evaluation of the methods and the experiments we use our own dataset collected from a local warehouse. In the second approach, we use Convolutional Neural Networks that are trained on the same dataset. We use either pre-trained neural networks or not for the model production. For the methods evaluation and the experiments, we use the same dataset.