智在生活-深度學習機器人之應用

MUSTIR > College of Engineering > Department of Computer Science and Information Engineering > Research Projects in School > Item 987654321/1333

Please use this identifier to cite or link to this item: http://120.105.36.38/ir/handle/987654321/1333

Title:	智在生活-深度學習機器人之應用
Authors:	陳美支
Contributors:	資訊工程系
Keywords:	深度學習、Inception-ResNet-v2、卷積神經網路
Date:	2019-10-31
Issue Date:	2020-02-12 10:09:31 (UTC+8)
Abstract:	過往的工廠分類大多數使用大量人工來分類零件，或者為自動光學檢測系統(Automated Optical Inspection)，必須使用固定的參數去做分類，零件的瑕疵要以人工去定義特徵來做分類，但編寫特徵的演算法是一件不容易的工作，以人力篩選特徵又需要花大量的人力成本，不但時間長而且成效不佳，也可能出現一些失誤，造成成本上的增加。而第四次工業革命的核心人工智慧隨著時間蓬勃發展，在圖像辨識上人工智慧的精準度已經達到非常高的準確率(甚至超越人類肉眼的辨識率)，本專題規劃使用人工智慧深度學習技術，針對樂高零件進行分類，將分成八類: L 型、H 型、齒輪形、長條型、磚型、連接型、T 型與其他類，訓練出樂高零件分類模型，再與硬體結合，做整合及實際測試。本專題在模型架構方面採用了知名的Inception-ResNet-v2 模型，以及VGG16 模型，再使用有遷移式學習（Transfer Learning）與沒有遷移式學習做為比較，最後以 Loss 值較低者做為模型選擇依據。本次使用的資料集分別有八類，每類約600~1000 張照片，八類共蒐集 6400 張有標記類別的圖片作為訓練以及測試用。在硬體機構設計上，設置了零件槽，零件槽內部經過一段時間會將樂高零件往上推至輸送带上，輸送帶分為上下兩條，分別為速度慢的輸送帶跟速度快的輸送帶，藉著輸送帶的快慢，把兩兩樂高零件之間拉出一段的間距，以便取樣區有充分的時間做擷取，再運送到取樣區經由上方攝影機擷取影像，再送至訓練完成的辨識引擎，經過辨識決定樂高零件的種類，最後推至適當的分類槽，來完成樂高零件分類的功能，在實際訓練結果中準確度可以到 94%以上，降低以往工廠分類的人力成本，提高零件分類篩選的品質。
Appears in Collections:	[Department of Computer Science and Information Engineering] Research Projects in School

Files in This Item:

File	Description	Size	Format
陳美支-成果.pdf		2406Kb	Adobe PDF	568	View/Open

View Licence

Loading...