РАЗРАБОТКА КАСКАДНОГО АЛГОРИТМА МОНИТОРИНГА ДВИЖЕНИЯ ДЕТАЛЕЙ В ХОДЕ ИХ ИЗГОТОВЛЕНИЯ
- Авторы: Киселева П.И.1, Печенина Е.Ю.1, Печенин В.А.1
-
Учреждения:
- Самарский национальный исследовательский университет имени академика С. П. Королёва (Самарский университет)
- Выпуск: Том 9, № 3 (2023): 23.12.2023
- Страницы: 49-55
- Раздел: Статьи
- Дата публикации: 23.12.2023
- URL: https://dynvibro.ru/dynvibro/article/view/27022
- DOI: https://doi.org/10.18287/2409-4579-2023-9-3-49-55
- ID: 27022
Цитировать
Полный текст
Аннотация
Разработан каскадный алгоритм, позволяющий проводить идентификацию содержимого в производственных тарах. Алгоритм состоит из двух этапов: детектирование ячеек тары и классификация содержимого каждой ячейки. Предложенный алгоритм позволяет добиться точности классификации в 89% при обучении на относительно меньшем объёме выборки, чем потребовалось бы при использовании алгоритма прямого детектирования деталей без этапа детектирования ячеек. Алгоритм таким образом подходит для использования в системах мониторинга состояния производственной среды в аэрокосмическом производстве.
Ключевые слова
Об авторах
Полина Игоревна Киселева
Самарский национальный исследовательский университет имени академика С. П. Королёва (Самарский университет)
Email: kiseleva.pi@ssau.ru
магистр группы 3202-240405D
Московское шоссе, д. 34, г. Самара, 443086, Российская ФедерацияЕкатерина Юрьевна Печенина
Самарский национальный исследовательский университет имени академика С. П. Королёва (Самарский университет)
Email: ek-ko@list.ru
ассистент кафедры технологий производства двигателей
Московское шоссе, д. 34, г. Самара, 443086, Российская ФедерацияВадим Андреевич Печенин
Самарский национальный исследовательский университет имени академика С. П. Королёва (Самарский университет)
Автор, ответственный за переписку.
Email: v.a.pechenin@ssau.ru
к.т.н., доцент кафедры технологий производства двигателей
Московское шоссе, д. 34, г. Самара, 443086, Российская ФедерацияСписок литературы
- Introductory overview: Systems and control methods for operational management support in agricultural production systems / S. van Mourik, R. van der Tol, R. Linker [et al.] // Environmental Modelling & Software. – 2021. – Vol. 139. – P. 105031.
- Challenges for the cyber-physical manufacturing enterprises of the future / H. Panetto, B. Iung, D. Ivanov [et al.] // Annual Reviews in Control. – 2019. – Vol. 47. – PP. 200-213.
- Mörth, O. Cyber-physical systems for performance monitoring in production intralogistics / O. Mörth, C. Emmanouilidis, M. Schadler // Computers & Industrial Engineering. – 2020. – Vol. 142. – P. 106333.
- Deep learning for visual understanding: A review / Y. Guo, Y. Liu, A. Oerlemans [et al.] // Neurocomputing. – 2016. – Vol. 187. – PP. 27-48.
- Wang, C-Y Scaled-YOLOv4: Scaling cross stage partial network / C-Y Wang, A. Bochkovskiy, H-Y M. Liao // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2021. – PP. 13024–13033.
- Redmon, J. YOLOv3: An Incremental Improvement / J. Redmon, A. Farhadi // arXiv. – 2018. – Vol. 1804. – P. 02767.
- You only look once: Unified, real-time object detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2016. – Vol. 7780460. – PP. 779-788.
- Simonyan, K. Very deep convolutional networks for large-scale image recognition / K. Simonyan, A. Zisserman // 3rd International Conference on Learning Representations. – 2015. – Vol. 1409. – P. 1556.
- Ioffe, S.Y. Batch normalization: accelerating deep network training by reducing internal covariate shift / S.Y. Ioffe, C. Szegedy // Proc. 32nd ICML. – 2015. – PP. 448-456.