SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


1 - 2 / 2
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
Sistem strojnega vida za prepoznavo površinskih napak
Marcel Petek, 2019, magistrsko delo

Opis: Magistrsko delo podaja pregled metod za propoznavo površinskih napak na obdelovancih. Objekti opazovanja so krmilne tipke, podsklop ohišij v elektroomaricah. Predstavljene bodo tri metode razvrščanja krmilnih tipk v dober in slab razred. Zajemanje slik je bilo opravljeno s pomočjo laboratorijske opreme, saj so elementi opreme višjega cenovnega razreda. Namen magistrske naloge je v bazah slik krmilnih tipk z različnimi metodami prepoznati napake in jih razvrstiti v pripadajoči razred. Zaradi specifičnosti problematike zaznavanja so se metode prilagajale problemu. Uporabili smo metode prepoznave napak na nadzorovan in nenadzorovan način, torej globinsko učenje z uporabo nevronske mreže, avtoenkoderja in klasično pragovno metodo z uporabo različnih detektorjev robov in preglednih tabel. Omenjene globoke metode se dandanes ne uporabljajo v veliki meri za industrijske namene. Metode so se namreč izboljšale do te mere, da veliki koncerni, kot so IBM, Google, Facebook, uporabniku napram preteklim iskalnim nizom v brskalniku predlagajo, kaj naj bi iskal po svetovnem spletu. Za izbiro globokega učenja namesto genetskega ali algoritma rojev delcev smo se odločili izključno zaradi hitre prilagoditve programa na vhodne parametre in razvoja programa od preteklosti, ko je nivo globine nevronskih mrež bila samo ena prikrita plast z enim nevronom, do danes, ko se lahko nivo adaptivno spreminja glede na vhodno problematiko. Dostopni algoritmi za zaznavanje defektov na teksturah, ki smo jih preizkusili v komercialnih paketih (Vision NI), niso bili učinkoviti za detekcijo teh nepravilnosti. To je motivacija za raziskovanje učinkovitosti drugih pristopov in za primerjavo učinkovitosti. S primerjavo metod bomo za nadaljnje raziskovanje izbrali tisto, ki bo dosegla cilj, 95-odstotno stopnjo natančnosti razvrstitve v razreda dober in slab. Začetni cilj razvrstitve smo uspeli dosečti z uporabo globokega učenja nevronskih mrež.
Ključne besede: avtoenkoder, strojni vid, razvrščanje, globoko učenje, nevronska mreža
Objavljeno: 19.02.2019; Ogledov: 218; Prenosov: 42
.pdf Celotno besedilo (5,01 MB)

2.
Avtomatizirano piljenje luknjačev s pomočjo robotskega manipulatorja ABB IRB 120
Marcel Petek, 2016, diplomsko delo

Opis: V diplomski nalogi je predstavljena rešitev problematike ročnega piljenja luknjača s pomočjo robotskega manipulatorja ABB IRB 120. S pomočjo DeviceNet protokola smo komunicirali med PLC-jem ter robotom za izmenjavo potrebnih podatkov. Opisana je uporaba senzorike in del logike programiranja. Predstavljena je robotska celica, izdelana v časovnem intervalu štirih mesecev, v katero smo vključili nujno potrebna varnostna stikala. Rezultat je robotska celica za avtomatsko piljenje luknjačev. Luknjači za luknjanje folije so enako nabrušeni in s tem se podaljša tudi njihova življenjska doba. Ta rešitev je podjetju, ki doslej še ni uporabljalo robotov, pripomogla k delni rešitvi in mu pomeni izziv za nadaljnjo robotizacijo.
Ključne besede: ABB IRB 120, DeviceNet, Beckhoff, robotska celica, MSC Adams, CAD-modeliranje, piljenje luknjačev, mehatronika
Objavljeno: 13.09.2016; Ogledov: 1474; Prenosov: 145
.pdf Celotno besedilo (5,52 MB)

Iskanje izvedeno v 0.06 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici