Identifying Apple Surface Defects Using Principal Components Analysis and Artificial Neural Networks

2007 ◽  
Vol 50 (6) ◽  
pp. 2257-2265 ◽  
Author(s):  
B. S. Bennedsen D. L. Peterson ◽  
A. Tabb
Keyword(s):  
Neural Networks ◽  
Artificial Neural Networks ◽  
Principal Components Analysis ◽  
Principal Components ◽  
Surface Defects ◽  
Components Analysis ◽  
Artificial Neural

scholarly journals Εφαρμογές πολυπαραμετρικών στατιστικών τεχνικών στη χημική ανάλυση

2012 ◽  
Author(s):  
Ελένη Φαρμάκη
Keyword(s):  
Neural Networks ◽  
Cluster Analysis ◽  
Factor Analysis ◽  
Artificial Neural Networks ◽  
Discriminant Analysis ◽  
Principal Components Analysis ◽  
Principal Components ◽  
Classification Trees ◽  
Components Analysis ◽  
Artificial Neural

Σε αυτή τη διατριβή μελετήθηκε η εφαρμογή πολυπαραμετρικών τεχνικών σε μεγάλες βάσεις δεδομένων ταξινόμησης, με σκοπό τη θεωρητική τους παρουσίαση, τη σύγκριση αυτών και την εξαγωγή συμπερασμάτων, σχετικά με το πεδίο εφαρμογής τους και το χειρισμό τους, τις δυνατότητες και τους περιορισμούς τους. Χρησιμοποιήθηκαν μη επιβλεπόμενες τεχνικές όπως Principal Components Analysis/Factor Analysis (PCA/FA) και Cluster Analysis (CA) αλλά και επιβλεπόμενες όπως Discriminant Analysis (DA), Classification Trees (CT) και Artificial Neural Networks (ANN). Ιδιαίτερη έμφαση δόθηκε στις τεχνικές CT και ANN (μελετήθηκαν τρεις μέθοδοι και αρχιτεκτονικές αντίστοιχα για καθεμιά από αυτές). Ερευνήθηκαν τα πλεονεκτήματα, μειονεκτήματα και ιδιαιτερότητες τους και βελτιστοποιήθηκαν τα μοντέλα ταξινόμησης των τεχνικών. Όλες οι τεχνικές συγκρίθηκαν μεταξύ τους, με κριτήριο τα αποτελέσματα τους (της ορθής ταξινόμησης των δειγμάτων) σε τρεις βάσεις δεδομένων οι οποίες αφορούσαν τους προσδιορισμούς α) μετάλλων-μεταλλοειδών στους τρεις ταμιευτήρες που χρησιμοποιούνται για την ύδρευση της πρωτεύουσας (Υλίκη, Μόρνο και Μαραθώνα), β) μετάλλων-μεταλλοειδών και ανόργανων στοιχείων σε θαλάσσια δείγματα ιζημάτων από μεγάλες ιχθυοκαλλιέργειες της χώρας, γ) σπανίων γαιών σε δείγματα ελαιολάδων από διάφορες περιοχές. Η DA αν και είναι παραμετρική τεχνική με πολλούς περιορισμούς στην εφαρμογή της, ανταποκρίθηκε στις ανάγκες των προβλημάτων και παρείχε πάντα μια πρώτη άποψη για το πρόβλημα (δυνατότητα ή όχι γραμμικού διαχωρισμού των ομάδων με βάση το Canonical plot της ανάλυσης και αρχική αξιολόγηση των μεταβλητών). Τα ποσοστά ορθής ταξινόμησης που παρείχε ήταν αρκετές φορές συγκρίσιμα με των πιο προηγμένων τεχνικών. Τα CT με 3 διαφορετικές μεθόδους και αρκετή ευελιξία (παρείχαν πολλές παραμέτρους προς δοκιμή και βελτιστοποίηση), επέτυχαν υψηλά ποσοστά ταξινόμησης με λίγες ή πολλές μεταβλητές (περισσότερες συνήθως των ANN), κατασκευάζοντας επαναλήψιμα μοντέλα με δυνατότητες γενίκευσης. Τα ANN αποδείχθηκαν ιδιαίτερα ευέλικτη τεχνική, με δυνατότητες αποτελεσματικής αξιολόγησης των μεταβλητών και εφαρμογής τους σε απλές αλλά και πολυπλοκότερες βάσεις προσεγγίζοντας γραμμικές και μη γραμμικές συναρτήσεις. Κατασκευάστηκαν ανθεκτικά και ευέλικτα μοντέλα. Μειονέκτημά τους αποτέλεσαν ωστόσο, τα φαινόμενα υπερπροσαρμογής που παρουσιάζουν και χρειάστηκαν προσεκτικοί χειρισμοί για την αποφυγή τους. Έτσι, τα διαθέσιμα δείγματα διαχωρίστηκαν σε τρεις ομάδες: χρησιμοποιήθηκαν εκτός της συνήθους ομάδας εκπαίδευσης, επιπλέον ομάδες επικύρωσης και ελέγχου. Με τον τρόπο αυτό, έγινε άμεση ταυτοποίηση των φαινομένων υπερπροσαρμογής (ώστε να διακόπτεται αυτόματα η εκπαίδευση του μοντέλου), αλλά και δοκιμή των μοντέλων σε νέα, “’άγνωστα” δείγματα, ώστε να ελέγχεται η δυνατότητα γενίκευσης αυτών. Ο διαχωρισμός σε ομάδες έγινε είτε τυχαία (όπως επιτάσσει η σύγχρονη βιβλιογραφία), είτε με βάση της προκατεργασίας με DA (μέθοδος που δεν έχει χρησιμοποιηθεί ποτέ στο παρελθόν). Επιπλέον, έγινε προσπάθεια εφαρμογής όσο το δυνατόν απλούστερων δομών με λίγες παραμέτρους (μεταβλητές, βάρη) αλλά και λειτουργικές μονάδες επεξεργασίας (νευρώνες).

scholarly journals Applicationof Computer Visionfor Polishing RobotinAutomotive Manufacturing Industries

2014 ◽  
Vol 2 (2) ◽  
Author(s):  
Adnan Rachmat Anom Besari ◽  
Ruzaidi Zamri ◽  
Md. Dan Md. Palil ◽  
Anton Satria Prabuwono
Keyword(s):  
Neural Networks ◽  
Surface Roughness ◽  
Artificial Neural Networks ◽  
Surface Defects ◽  
Vision System ◽  
Real Data ◽  
Surface Measurement ◽  
Vision Sensor ◽  
Skilled Workers ◽  
Artificial Neural

Polishing is a highly skilled manufacturing process with a lot of constraints and interaction with environment. In general, the purpose of polishing is to get the uniform surface roughness distributed evenly throughout part’s surface. In order to reduce the polishing time and cope with the shortage of skilled workers, robotic polishing technology has been investigated. This paper studies about vision system to measure surface defects that have been characterized to some level of surface roughness. The surface defects data have learned using artificial neural networks to give a decision in order to move the actuator of arm robot. Force and rotation time have chosen as output parameters of artificial neural networks. Results shows that although there is a considerable change in both parameter values acquired from vision data compared to real data, it is still possible to obtain surface defects characterization using vision sensor to a certain limit of accuracy. The overall results of this research would encourage further developments in this area to achieve robust computer vision based surface measurement systems for industrial robotic, especially in polishing process.Keywords: polishing robot, vision sensor, surface defects, and artificial neural networks

Sign in / Sign up

Export Citation Format

Share Document