Doctoraatsverdediging

Faculteit Ingenieurswetenschappen
A Flexible Framework for Learning Visual Quality Inspection: Information Fusion Approaches (Een flexibel raamwerk voor het leren van visuele kwaliteitsinspectie: Benaderingen op basis van informatiefusie)
Doctorandus/a PhD student
  Naam: Davy Sannen
Promotie / Defence
  Wanneer: 30.08.2010, 14u00
  Taal van verdediging: Nederlands
  Waar: aula Arenbergkasteel, 01.07, Kasteelpark Arenberg 1, 3001 Heverlee
 
Promotor / Supervisor
  Prof. dr. ir. Hendrik Van Brussel (promotor)
  Prof. dr. ir. Marnix Nuttin (co-promotor)
 
Samenvatting van het onderzoek / Summary of Research

Automatische visuele inspectie kan verscheidene belangrijke voordelen bieden voor productie-installaties. Automatische inspectiesystemen werkentypisch aan een veel hogere snelheid dan mensen kunnen, ze worden niet moe, en de beslissingen over de kwaliteit van de geproduceerde goederen zijn objectief en consistent, in tegenstelling tot mensen, wiens beslissingen vaak subjectief zijn door bijvoorbeeld vermoeidheid, motivatie, ervaring en training. Automatische visuele kwaliteitsinspectie is echter een productietaak die maar traag geautomatiseerd werd. Eén reden hiervooris dat vele inspectietaken een substantiële hoeveelheid redeneercapaciteiten vergen om de beslissingen te bekomen omtrent de kwaliteit van de producten die geïnspecteerd worden. Een andere reden is het gebrek aan flexibiliteit van visuele inspectiesystemen; deze systemen zijn typisch adhoc oplossingen, ontworpen om een specifiek object te inspecteren in sterk beperkte omstandigheden. Dit maakt het moeilijk en bijgevolg duur omde systemen aan te passen aan veranderende condities of om ze om te zetten naar andere toepassingen.

Deze thesis presenteert een flexibel en generiek raamwerk voor automatische visuele kwaliteitsinspectie datkan worden toegepast voor een groot aantal inspectietaken. Het voorgestelde systeem leert de kwaliteitsinspectievaardigheid direct van de kwaliteitscontroleoperators, terwijl zij verder kunnen blijven doen wat ze altijd gedaan hebben en waarvoor ze zijn opgeleid: het labelen van de producten die geïnspecteerd worden als defect of niet. Dit verhoogt de flexibiliteit van het systeem sterk, aangezien het de operators zelf zijn diede beslissingsmodellen opbouwen, zij het impliciet. Om een systeem te bouwen dat de visuele kwaliteitsinspectievaardigheid effectief kan leren van de operators worden langsheen de volledige verwerkingsketen van het inspectiesysteem een aantal verbeteringen voorgesteld, gebaseerd op verschillende niveaus van informatiefusie. De effectiviteit van het voorgestelde systeem en zijn nieuwe componenten wordt gedemonstreerd voor een aantal verschillende visuele inspectietaken, zowel artificiële als in industriële omgevingen.
Automatic visual inspection can have several important advantages for manufacturing facilities. Automatic inspection systems typically operate at a much higher speed than humans are able to, they do not fatigue, andthe decisions on the quality of the produced parts are objective and consistent, as opposed to humans, whose decisions are often subjective dueto for instance fatigue, motivation, experience and training. Automaticvisual quality inspection is however one task within manufacturing which has been automated relatively slowly. One reason is that many inspection tasks require a substantial amount of reasoning capabilities to produce the decisions about the quality of the parts being inspected. Anotherreason is the lack of flexibility of visual inspection systems; these systems are typically ad hoc solutions, designed to inspect a specific object in highly constrained circumstances. This makes it difficult and thus costly to adapt the systems to changing conditions or to transfer them to other applications.

This thesis presents a flexible and generic framework for automatic visual quality inspection which can be applied to a wide variety of inspection tasks. The proposed system learns thequality inspection skill directly from the quality control operators, while they can continue doing what they have always done and what they are trained for: labelling the parts to be inspected as being defective ornot. This greatly increases the flexibility of the system, as it is theoperators themselves that build up the decision models, albeit implicitly. In order to build a system that can effectively learn the visual quality inspection skill from the operators, a number of enhancements alongthe complete processing chain of the inspection framework are proposed,based on different levels of information fusion. The effectiveness of the proposed system and its novel components is demonstrated for a variety of visual inspection tasks, artificial as well as in industrial settings.

 
Volledige tekst van het doctoraat / full text
https://lirias.kuleuven.be/handle/123456789/272305

 
Examencommissie / Board of examiners
  Prof. dr. ir. Hendrik Van Brussel (promotor)
  Prof. dr. ir. Marnix Nuttin (co-promotor)
  Prof. dr. ir. Anny Haegemans (voorzitter/chairman)
  Prof. dr. ir. Hendrik Blockeel (secretaris/secretary)
  Prof. dr. ir. Johan Suykens
  Prof. dr. ir. Jean-Pierre Kruth
  Prof. dr. Robert P.W. Duin , Technische Universiteit Delft