Vakuumikäsittelyn Visuaalinen Laadunarvioiniti - Seurantaraportti 1.0 (PROPOSAL)


Joni-Kristian Kämäräinen
Joni.Kamarainen@lut.fi, http://www.lut.fi/~jkamarai


Kuvaus: Tämä dokumentti liittyy projektiin: ``Vakuumikäsittelyn visuaalinen laadunarviointi''. Dokumentissa esitellään projektin nykyinen tilanne, projektin tilanne edellisessä seurannan vaiheessa ja ehdotus projektin jatkolle.

1. Projektin historia

Taulukossa 1 on esitelty projektin aikaisemmat seurantavaiheet. Edellisessä tapaamisessa päätettiin projektin perustamisesta.


 
Table 1: Projektin vaiheet.
15.6.1999 Projektin aloitus Projektin aloituskokous, jossa läsnä professori Heikki Kälviäinen, tutkimusapulainen Joni Kämäräinen, R&D metallurgisti Kari Terho (Imatra Steel) ja director Erkki Saarelainen (Finx Oy).

2. Projektin tilanne

Tällä hetkellä mittausdataa on saatu kerättyä 82:sta vakuumikäsittelystä ja tehokasta menetelmää kuvadatan analysoimiseen ja luokittelemiseen kehitellään. Pääasiassa histogrammipohjaisia menetelmiä testataan tällä hetkellä (RGB ja harmaatasokuva menetelmät).

3. Kuvankäsittelyjärjestelmä

Aloituskokouksessa päätettiin kuvan 1 kaltaisesta kuvankäsittelyjärjestelmästä, jonka osat toimittaa Imamic Oy (yhteyshenkilö Sakari Hakalisto), joka myös hoitaa järjestelmän laitteistoasennuksen ja testauksen.


  
Figure 1: Vakuumikäsittelyn kuvankäsittelyjärjestelmä.
\includegraphics[width=0.5\textwidth]{pics/system.eps}

Tehokkaiden kuvankäsittely-ja luokittelumenetelmien kehittämisen jälkeen voidaan edelläkuvatun kaltaiselle laitteistoalustalle toteuttaa vakuumikäsittelyn laaduntarkkailuun automaattinen järjestelmä. Esimerkkinäyttö lopullisen järjestelmän ohjelmistolle on esitetty kuvassa 2.


  
Figure 2: Vakuumikäsittelyn laaduntarkkailunäyttö.
\includegraphics[width=\textwidth]{pics/dialog.eps}

3.1 Ongelmia

Valokaapeli

Valokaapeliyhteys tehtaan kameran ja kehityskeskuksessa sijaitsevan tietokoneen välillä ei toimi.

Kuvankaappauskortti

Alkuperäinen Hauppaugen verkkokortti oli vaihdettava, mutta uutta ei ole saatu tilalle.

Soveltuvien korttien lista

1.
miroVIDEO PCTV
2.
Matrix Vision MV-Delta
3.
Terratec TERRA TV+
4.
Lifeview Flyvideo II
5.
Hauppauge Win/TV pci
6.
STB TV PCI
7.
Diamond DTV2000
8.
Videologic Captivator PCI
9.
AVerMedia TV-Phone
10.
Matrix Vision MV-Delta
11.
Osprey-100
12.
IDS Imaging FALCON
13.
Moni muu jossa on Bt848/849/878/879 kaappauspiiri.

4. Kuvankäsittelymenetelmät

Esitutkimusta kuvadatasta on tehty tallennettujen 82:n käsittelyn kuvien avulla. Tämänhetkiset menetelmät perustuvat kuvien histogrammin tutkimiseen, eli yritetään määritellä käsittelyn laatu tutkimalla kuinka kirkkaita kuvia ajon aikana on esiintynyt.

Jo saatujen tulosten perusteella käsittelyn aikainen keiton laatu voidaan määrittää erittäin tarkasti (kuvan kirkkaudesta). Edelleen ollaan kuitenkin kiinnostuneita kuinka tarkasti voidaan määrittää lopullinen (kun käsittely on kokonaan ohi) keiton laatu. Nykyisten tulosten avulla esimerkiksi prosessin automaattinen arviointi ja ohjaus ovat mahdollisia. Järjestelmä pystyy kertomaan kuinka hyvänlaatuista keitto on milläkin käsittelyn hetkellä. Jatkossa kiinnostavaa edelleen on pystytäänkö järjestelmä opettamaan milloinka käsittely on ollut optimaalinen eli lopettamaan käsittely ajoissa ilman turhaa käsittelyn jatkamista.

4.1 Tuloksia

Liitteessä 1 on esitetty tuloksia mittausdatalle. Ensimmäinen sarake on alkuperäinen käsittelyn vetyarvo, toinen sarake on neuraalimenetelmän ennustama vetyarvo (kolmas sarake virhe) ja neljäs on 1-lähimmän naapurin menetelmän ennustama vetyarvo (viide sarake virhe). Kuudes sarake on Neuraalimenetelmän tulos, jossa opetuksessa on käytetty Bayesilaista regularisointia.

Keskipoikkeama neuraalimenetelmälle on 0.3732 ja 1-NN menetelmälle 0.5227 ja Bayesilaiselle regularisoivalle neuraalimenetelmälle keskipoikkeama on 0.2245.

Tulokset ovat erittäin lupaavia. Selkeästi regularisoiva neuraalimenetelmä on tällä hetkellä paras, mikä johtuu datan vähyydestä. Regularisoiva menetelmä ``pehmentää'' luokittelurajoja, jotka ovat normaalissa neuraalimenetelmässä liian jyrkät. Kun dataa on tarpeeksi niin normaali neuraalimenetelmä ja regularisoiva neuraalimenetelmä konvergoivat samaan tulokseen.

Regularisoivassa menetelmässä on käytetty kuvien histogrammin lisäksi LIITOS tietoa käsittelystä. LIITOS tiedon lisääminen normaaliinkin neuraalimenetelmään poisti suurimmat virheet ja keskipoikkeamaksi tuli 0.3251. LIITOS tiedolla on selkeästi vaikutusta käsittelyn loppuliseen vetyarvoon.

1-lähimmän naapurin menetelmä yrittää ennustaa vetyarvoa antamalla käsittelylle saman vetyarvon kuin tätä käsittelyä lähimpänä olevalla erillisellä käsittelyllä. Tämänhetkiset 1-LN menetelmän tulokset eivät ole hyviä, mutta tulosten pitäisi parantua sitä mukaa kuin opetusdataa saadaan lisää. 1-Lähimmän naapurin menetelmän tulokset ovat myös mielenkiintoisia data-aineiston analysoinnin kannalta.

4.2 Ongelmia

Datan määrä

Opetusaineiston jakauma ei ole tasainen. Saaduista tuloksista on selkeästi nähtävissä, että dataa ei ole vielä tarpeeksi perusteellista analyysia varten. Varsinkin heikompilaatusia käsittelyjä (vety >= 1.8) on hyvin vähän tallennettuna. Lisäaineistoa hankkimalla on tarkoitus pienentää virheiden varianssia (suuria virheitä).

Kuva-aukon likaantuminen

Yksi kuvankäsittelyä haittaava ongelma on epäpuhtauksien kertyminen vakumointikammion kanteen, jolloin kuva-alue pienenee. Esimerkkikuvassa  3 on esitetty kaksi erilaista kuvaa, joissa kiehuminen kuitenkin on samanlaatuista.


  
Figure 3: Samanasteinen kiehuminen kun kuva-aukko on likainen ja puhdas

\includegraphics[width=\textwidth]{pics/goodboil.eps}




\includegraphics[width=\textwidth]{pics/goodboil2.ps}


5. Projektin jatko

Tämänhetkinen kehitys keskittyy juuri datan analysoimiseen, eli tarvitaan lisää materiaalia tulosten varmentamiseksi. Kun tarpeeksi mittausdataa on saatu (tulokset eivät enää parane), viimeistellään luokittelumenetelmät ja tehdään vertailu harmaatasokuvien luokittelun ja RGB-kuvien luokittelun välillä. Histogrammi-pohjaisten menetelmien rinnalle kaivataan myös muita menetelmiä vertailukohteiksi. Yksi sopiva menetelmä voisi olla kuvadatan jakaminen ihmisen määrittämiin luokkiin ja näitten luokkien käyttäminen opetuksessa.

Myös vakuumikäsittelyä itseään tulisi pystyä analysoimaan saatujen tietojen perusteella. Kuvasarjoja joiden ennustuksessa esiintyy suurimmat virheet tulisi analysoida tarkemmin ja pyrkiä selittämään ilmiö.

Bibliography

1
Bannenberg N.,Lachmund H.,1994, High-purity Steel Production Using Tank Degassing, Steel Technol. Int., pp. 103-107

LIITE1: Opetustuloksia

     Alkup     MLP      Virhe      1-NN      Virhe    BayesNN   Virhe
    1.5000    1.5252   -0.0252    0.9000    0.6000    1.5413   -0.0413
    1.5000    1.7061   -0.2061    1.3000    0.2000    1.2726    0.2274
    0.9000    1.3498   -0.4498    1.2000   -0.3000    0.8999    0.0001
    1.3000    0.8928    0.4072    1.8000   -0.5000    1.2703    0.0297
    1.7000    1.7359   -0.0359    2.0000   -0.3000    1.7006   -0.0006
    2.1000    1.9099    0.1901    2.0000    0.1000    2.1000    0.0000
    1.5000    1.4729    0.0271    1.0000    0.5000    1.2827    0.2173
    1.0000    1.6009   -0.6009    2.0000   -1.0000    0.9264    0.0736
    2.0000    1.9742    0.0258    2.1000   -0.1000    2.1951   -0.1951
    2.1000    2.0642    0.0358    1.9000    0.2000    2.0086    0.0914
    1.9000    1.9604   -0.0604    2.1000   -0.2000    2.1691   -0.2691
    2.5000    2.1104    0.3896    1.9000    0.6000    2.5002   -0.0002
    1.9000    2.1214   -0.2214    1.5000    0.4000    1.9000   -0.0000
    2.0000    1.8081    0.1919    2.1000   -0.1000    1.9997    0.0003
    2.3000    1.9994    0.3006    2.0000    0.3000    2.1257    0.1743
    1.4000    1.3914    0.0086    1.2000    0.2000    1.4001   -0.0001
    2.8000    1.8970    0.9030    1.1000    1.7000    2.4501    0.3499
    2.0000    1.8362    0.1638    1.9000    0.1000    2.0001   -0.0001
    1.9000    1.6512    0.2488    1.6000    0.3000    2.1059   -0.2059
    1.2000    1.3348   -0.1348    1.3000   -0.1000    1.1189    0.0811
    1.8000    1.8015   -0.0015    1.6000    0.2000    1.8444   -0.0444
    2.0000    1.5489    0.4511    1.1000    0.9000    1.9995    0.0005
    1.8000    1.5704    0.2296    1.1000    0.7000    1.8003   -0.0003
    2.4000    1.8622    0.5378    1.8000    0.6000    2.0413    0.3587
    1.8000    1.9769   -0.1769    1.4000    0.4000    1.8000    0.0000
    2.0000    1.7746    0.2254    1.4000    0.6000    2.0480   -0.0480
    1.2000    1.4494   -0.2494    1.6000   -0.4000    1.2803   -0.0803
    1.2000    1.5823   -0.3823    0.9000    0.3000    1.1282    0.0718
    1.3000    1.4428   -0.1428    1.2000    0.1000    1.3000   -0.0000
    1.8000    1.6061    0.1939    1.4000    0.4000    1.7999    0.0001
    3.2000    1.9343    1.2657    2.1000    1.1000    2.1851    1.0149
    1.9000    2.1266   -0.2266    1.9000         0    1.8797    0.0203
    1.4000    1.6688   -0.2688    1.6000   -0.2000    1.3969    0.0031
    2.0000    1.7864    0.2136    1.2000    0.8000    2.0146   -0.0146
    2.0000    1.9399    0.0601    2.1000   -0.1000    1.9173    0.0827
    1.8000    1.8513   -0.0513    2.4000   -0.6000    1.8128   -0.0128
    1.6000    1.6690   -0.0690    1.6000         0    1.5290    0.0710
    1.5000    1.1454    0.3546    1.2000    0.3000    1.5003   -0.0003
    1.4000    1.6567   -0.2567    1.4000         0    1.5136   -0.1136
    1.6000    1.5715    0.0285    1.5000    0.1000    1.5364    0.0636
    1.4000    1.1718    0.2282    1.2000    0.2000    1.3996    0.0004
    1.8000    1.9881   -0.1881    1.3000    0.5000    1.8005   -0.0005
    1.5000    1.9707   -0.4707    1.6000   -0.1000    1.8131   -0.3131
    1.5000    1.6355   -0.1355    1.6000   -0.1000    1.4986    0.0014
    1.1000    1.3330   -0.2330    1.3000   -0.2000    1.4381   -0.3381
    1.6000    1.4107    0.1893    1.2000    0.4000    1.5362    0.0638
    1.9000    1.6028    0.2972    1.5000    0.4000    1.9275   -0.0275
    1.4000    1.2128    0.1872    1.6000   -0.2000    1.4004   -0.0004
    1.7000    1.6012    0.0988    1.4000    0.3000    1.5370    0.1630
    1.6000    1.4413    0.1587    1.4000    0.2000    1.4041    0.1959
    1.4000    1.5901   -0.1901    1.4000         0    1.4000    0.0000
    1.2000    1.2491   -0.0491    1.5000   -0.3000    1.2876   -0.0876
    1.7000    1.8874   -0.1874    1.8000   -0.1000    1.4375    0.2625
    1.6000    1.2409    0.3591    1.8000   -0.2000    1.5998    0.0002
    1.5000    1.4752    0.0248    1.2000    0.3000    1.4891    0.0109
    2.6000    1.9460    0.6540    1.0000    1.6000    2.5929    0.0071
    1.6000    1.5331    0.0669    1.4000    0.2000    1.5248    0.0752
    2.5000    1.9805    0.5195    2.0000    0.5000    2.1166    0.3834
    1.2000    1.1333    0.0667    1.8000   -0.6000    1.2990   -0.0990
    1.8000    1.5148    0.2852    1.1000    0.7000    1.8000    0.0000
    1.9000    1.6809    0.2191    1.9000         0    1.2719    0.6281
    1.3000    1.1015    0.1985    1.7000   -0.4000    1.2998    0.0002
    1.4000    1.4441   -0.0441    1.1000    0.3000    1.2746    0.1254
    1.5000    2.0740   -0.5740    1.9000   -0.4000    1.9738   -0.4738
    2.0000    2.0539   -0.0539    3.1000   -1.1000    1.4437    0.5563
    1.1000    1.5970   -0.4970    1.0000    0.1000    1.2749   -0.1749
    1.1000    1.5994   -0.4994    1.0000    0.1000    1.1009   -0.0009
    1.0000    1.3065   -0.3065    1.1000   -0.1000    0.9997    0.0003
    1.0000    1.2673   -0.2673    1.1000   -0.1000    1.0001   -0.0001
    2.1000    1.8500    0.2500    2.0000    0.1000    2.0471    0.0529
    1.6000    1.8623   -0.2623    1.5000    0.1000    1.8578   -0.2578
    1.1000    1.3103   -0.2103    1.8000   -0.7000    1.3634   -0.2634
    1.4000    1.6624   -0.2624    2.5000   -1.1000    1.4008   -0.0008
    1.3000    1.9964   -0.6964    1.3000         0    1.2987    0.0013
    1.3000    1.6009   -0.3009    1.0000    0.3000    1.4459   -0.1459
    1.3000    1.5147   -0.2147    1.0000    0.3000    1.3667   -0.0667
    1.1000    1.6136   -0.5136    1.8000   -0.7000    1.4659   -0.3659
    1.0000    1.7376   -0.7376    1.3000   -0.3000    1.3885   -0.3885
    1.6000    1.8426   -0.2426    1.9000   -0.3000    1.6001   -0.0001
    1.3000    2.0201   -0.7201    1.9000   -0.6000    1.3012   -0.0012
    3.1000    1.8981    1.2019    1.5000    1.6000    2.3493    0.7507
    1.9000    1.9414   -0.0414    1.3000    0.6000    1.9014   -0.0014

About this document ...

This document was generated using the LaTeX2HTML translator Version 98.1p1 release (March 2nd, 1998)

Copyright © 1993, 1994, 1995, 1996, 1997, Nikos Drakos, Computer Based Learning Unit, University of Leeds.

The command line arguments were:
latex2html -no_navigation -show_section_numbers -split 0 seurantaraportti.tex.

The translation was initiated by Joni Kämäräinen on 1999-09-24


Joni Kämäräinen
1999-09-24