Keraamisten laattojen luokittelu väripiirteiden avulla

Vaikka keraamisten laattojen valmistusprosessi onkin täysin automatisoitu, viimeinen vaihe eli laaduntarkistus ja luokittelu tehdään yleensä ihmisvoimin. Automaattinen laaduntarkastus laattojen valmistuksessa voidaan perustella taloudellisuus- ja turvallisuusnäkökohtien avulla. Tämän työn tarkoituksena on kuvata tutkimusprojektia keraamisten laattojen luokittelusta erilaisten väripiirteiden avulla. Oleellisena osana tutkittiin RGB- ja spektrikuvien välistä eroa. Työn teoreettinen osuus käy läpi aiemmin aiheesta tehdyn tutkimuksen sekä antaa taustatietoa konenäöstä, hahmontunnistuksesta, luokittelijoista sekä väriteoriasta. Käytännön osan aineistona oli 25 keraamista laattaa, jotka olivat viidestä eri luokasta. Luokittelussa käytettiin apuna k:n lähimmän naapurin (k-NN) luokittelijaa sekä itseorganisoituvaa karttaa (SOM). Saatuja tuloksia verrattiin myös ihmisten tekemään luokitteluun. Neuraalilaskenta huomattiin tärkeäksi työkaluksi spektrianalyysissä. SOM:n ja spektraalisten piirteiden avulla saadut tulokset olivat lupaavia ja ainoastaan kromatisoidut RGB-piirteet olivat luokittelussa parempia kuin nämä.

KOIVUVIILUN LAATULAJITTELUN KEHITTÄMINEN

Työssä on tutkittu Koskisen Oy:n vaneritehtaan 2. kuivauslinjalla toimivaa viilun laatulajittelujärjestelmää, jonka toiminnan tehostamiseksi haettiin uusia, vaihtoehtoisia ratkaisuja. Lajittelujärjestelmän toiminnan nopeuttamiseen ja toimivuuden kehittämiseksi haettiin ratkaisuja dimensio-, reuna- ja sisävikojen käsittelyyn. Linjan käyttöasteen kasvattamiseksi sen vikadiagnostiikkaan ja toi¬min¬nan seurantaan haettiin myös uusia menetelmiä. Kuvatun arkin reunatietojen avulla pystytään ottamaan huomioon käytönaikaisten asemointivirheiden aiheuttamat mittavirheet. Vika-alueiden harmaatasoarvoista kerättyä tietoa käytetään histogrammipiirteiden irrotuksessa oksien luokittelua parantamiseksi. Neuroluokittelijoiden käyttöönottoa luokittelijoina puoltavat niiden luokittelunopeus itse luokittelussa ja lähes k-NN-luokittimen tasoon yltävä luokittelutarkkuus. Neuroluokittelijoista tutkittiin monikerros-Perceptron- (MLP) ja oppiva vektorikvantisaatio- (LVQ) luokittelijat. Edellä mainittujen muutosten käyttöönoton avulla parantuneen viiluarkin onnistunut laadutus tuo kustannussäästöjä yritykselle sekä viiluarkkien paremman hyväksikäytön että viilun jatkokäsittelyssä säästyvän työmäärän avulla.