دانلود پایان نامه تشخیص ناهنجاری سه بعدی صنعتی با یادگیری ماشین بدون نظارت

1. مقدمه 2. کارهای مرتبط 3. نظریه 4. روش 5. ارزیابی 6. نتایج 7. بحث و بررسی 8. نتیجه گیری

چکیده – آشکارسازی نقایص در محصولات تولیدی صنعتی برای اطمینان از ایمنی و کیفیت آنها بسیار مهم است. این فرآیند می تواند پرهزینه و پرخطا باشد اگر به صورت دستی انجام شود و در نتیجه باعث می شود راهکارهای خودکار، مطلوب و مناسب گردند. پژوهش های گسترده ای در مورد آشکارسازی نقایص صنعتی در تصاویر انجام شده اند، اما مطالعات اخیر نشان داده اند که افزودن اطلاعات سه بعدی می تواند عملکرد را افزایش دهد. هدف این پایان نامه، گسترش چارچوب آشکارسازی ناهنجاری دو بعدی، PaDiM برای شامل کردن اطلاعات سه بعدی است. روش های پیشنهادی، RGB را با نقشه های عمق یا ابرهای نقطه ای و اثرات استفاده از PointNet++ و تبدیل کننده های بصری ترکیب می کنند تا ویژگی های مدنظر استخراج شوند. این روش ها برروی پایگاه داده عمومی MVTex 3D-AD با استفاده از معیارهای AUROC تصویر، AUROC پیکسل و AUPRO و برروی یک مجموعه داده کوچک گردآوری شده با یک حسگر «زمان پرواز»، ارزیابی می شوند. این پایان نامه نتیجه گیری می کند که افزودن اطلاعات سه بعدی، عملکرد PaDiM را بهبود می بخشد و مبدل های بصری به بهترین نتایج، با نمره های میانگین AUROC تصویر برابر با 86.2±0.2 برروی MVTec 3D-AD، دست پیدا می کند.

Detecting defects in industrially manufactured products is crucial to ensure their safety and quality. This process can be both expensive and error-prone if done manually, making automated solutions desirable. There is extensive research on industrial anomaly detection in images, but recent studies have shown that adding 3D information can increase the performance. This thesis aims to extend the 2D anomaly detection framework, PaDiM, to incorporate 3D information. The proposed methods combine RGB with depth maps or point clouds and the effects of using PointNet++ and vision transformers to extract features are investigated. The methods are evaluated on the MVTec 3D-AD public dataset using the metrics image AUROC, pixel AUROC and AUPRO, and on a small dataset collected with a Time-of-Flight sensor. This thesis concludes that the addition of 3D information improves the performance of PaDiM and vision transformers achieve the best results, scoring an average image AUROC of 86.2±0.2 on MVTec 3D-AD.