Разработка автоматизированной системы сортировки пиломатериалов

1.

РАЗРАБОТКА
АВТОМАТИЗИРОВАННОЙ
СИСТЕМЫ СОРТИРОВКИ
ПИЛОМАТЕРИАЛОВ
Вологодский государственный университет

2.

ВВЕДЕНИЕ
Вопрос оптимальной переработки сырья в
деревообработке является актуальным на
данный момент;
Технологические особенности производства
на средних и крупных лесопильных
предприятиях, учитывая современный
российский рынок рабочей силы, делают все
более актуальным и экономически
оправданным применение автоматизированных
линий сортировки пиломатериалов;
Необходимость получения максимальной
выгоды из каждой единицы сырья приводит к
смене ручного труда машинным.

3.

АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И
ПОСТАНОВКА ЗАДАЧ
‼ В современных условиях работа по сортировке деревянной доски
осуществляется сотрудниками без применения специализированных
приборов, исключительно визуально.
Автоматизированный поиск дефектов производится машинным
зрением.
Специальными алгоритмами распознавания ведется обработка
полученного изображения с камер.
Каждый порок имеет отличительные признаки:
- цвет,
- строение,
- запах,
- форму, размер.
Поэтому система, как и человек, может различать дефекты
визуально.
Целью работы является сведение к минимуму участия
человека в процессе сортировки досок за счет разработки
автоматизированной системы сортировки на основе
искусственного интеллекта.

4.

ОБНАРУЖЕНИЕ
ДЕФЕКТОВ
ПИЛОМАТЕРИАЛОВ
Обнаружение сучков и карманов

5.

АНАЛИЗ АНАЛОГОВ
На российском рынке существует продукт RuScan от
компании «АВТОМАТИКА-ВЕКТОР».
Это комплексная система, которая может выполнять
сканирование пиломатериалов и поиск дефектов в
реальном времени.
Конструкция представляет собой две или три рампы, на
основаниях которых установлены камеры с
осветительными приборами.
Интерфейс системы представлен на рисунке.
Такие экраны используются в цеху, чтобы работник
видел информацию о доске и смог в дальнейшем ее
правильно отсортировать.

6.

АНАЛИЗ АНАЛОГОВ
Второй интерфейс представляет собой
окно, куда вносятся параметры дефектов.
В интерфейсе существует функция
изменения параметров, по которым
осуществляется конфигурация всей
системы.
Из недостатков системы: неудобный,
устаревший интерфейс, высокая
стоимость интеграции.
Приложение для платформы Windows
изображено на рисунке.

7.

АНАЛИЗ И ВЫБОР АРХИТЕКТУР НЕЙРОННЫХ СЕТЕЙ
1. Алгоритм обработки изображений досок будет основан на работе свёрточной нейронной сети.
2. В процессе работы происходит переход от конкретных особенностей изображения к более
абстрактным деталям, и далее к ещё более абстрактным деталям вплоть до выделения понятий
высокого уровня.
3. Каждый пиксель изображения имеет значение цвета и яркости.
4. Цвет определяется палитрой RGB(red, green, blue).
5. Яркость значением отражаемого от поверхности света.
Рисунок. Принцип работы свёрточной нейронной сети

8.

ПОСТАНОВКА ЗАДАЧ
- на основе анализа предметной области определиться с технологиями,
которые будут использоваться в реализации проекта;
- определить этапы работы по реализации проекта;
- подготовить изображения для классифицирования;
- произвести проектирование межмодульных интерфейсов;
- произвести проектирование алгоритмов работы нейронной сети и баз
данных;
- произвести проектирование пользовательского интерфейса;
- реализовать программную часть разработки;
- выполнить тестирование продукта.

9.

АНАЛИЗ ТРЕБОВАНИЙ И
ПРОЕКТИРОВАНИЕ
‼ На основе анализа предметной области и поставленных задач необходимо сформулировать четкие
требования к разрабатываемому программному продукту.
В данном разделе описаны функции, которые должны быть реализованы нами, как
разработчиками.

10.

РАЗРАБОТКА ФУНКЦИОНАЛЬНОЙ МОДЕЛИ

11.

ДЕКОМПОЗИРОВАНИЕ IDEF0

12.

ПРОЕКТИРОВАНИЕ АЛГОРИТМОВ
Рисунок - Архитектура используемой нейронной сети.

13.

ПРОЕКТИРОВАНИЕ ИНТЕРФЕЙСОВ

14.

РЕАЛИЗАЦИЯ
Каждый пиксель изображения имеет значение цвета и яркости. При определении их
количественных характеристик появляется возможность определить отклонение в значениях
обрабатываемого экземпляра от номинально заданных для здоровой доски.
Номинальные размеры пиломатериалов по толщине и ширине устанавливаются
по ГОСТ 24454-80, при этом толщина пиломатериалов не должна превышать 100
мм.
Номинальные размеры пиломатериалов установлены для древесины с влажностью 20%. При
влажности древесины более или менее 20% фактические размеры толщины и ширины пиломатериалов
должны быть больше или меньше номинальных размеров на соответствующую величину усушки по ГОСТ
6782.1-75.

15.

СОЗДАНИЕ И ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ
Создание нейронной сети выполнено
при помощи библиотеки Keras.
У сети 3 входа, скрытый слой с тремя
нейронами (h1, h2, h3), слой вывода с
одним нейроном (o1).
Перед началом работы задаются
случайные значения весов.
Обучение нейронной сети
будет выполняться методом
обратного распространения
ошибки с применением
градиентного спуск а.
Данный способ относят к
методу обучения с учителем,
поэтому требуется задавать в
обучающих примерах
целевые значения.

16.

ТЕСТИРОВАНИЕ

17.

СМЕТА ПРОЕКТА
№
п/п
1
2
3
4
5
6
Распределение пиломатериалов в
одной партии по сортам
Сканер
Наименование статьи расходов
Сумма, тыс. руб.
Заработная плата
Начисления на заработную плату
Оборудование
Материалы, сырье и комплектующие
Оплата работ соисполнителей и
сторонних организаций
Накладные расходы
80
24,16
0
0
0
Итого
128,16
Оператор
Наш проект
I-IV
V
Брак
I-IV
V
Брак
I-IV
V
Брак
57
23
20
49
31
23
51
28
21
Сосна 47
41
12
39
49
15
44
43
13
Ель
24

18.

ЗАКЛЮЧЕНИЕ
В процессе выполнения был проведен анализ предметной области.
Нами были рассмотрены виды и пороки древесины, изучена работа
механического устройства по сортировке, сделан обзор аналогов, осуществлен
анализ архитектур нейронных сетей.
По полученным данным сформированы задачи и выбраны методы и средства их
решения.
Реализовано классифицирование сортов по наличию дефектов.
Реализовано написание нейронной сети для поиска дефектов по фотографии
доски.
Реализовано обучение нейронной сети распознаванию дефектов на
фотографии.
Проведено тестирование, в ходе которого система успешно определила 78 из
100.

19.

СПАСИБО ЗА
ВНИМАНИЕ!