Исследование методов оценки выхода продукции предприятия Урал-Асбест при помощи системы компьютерного зрения : магистерская диссертация

Abstract

The object of the study is a computer vision system for quality control of the outgoing products of the mining industry. The subject of the study is semantic segmentation methods, deep neural networks, feature encoders, loss functions. The purpose of the work is to study modern methods of machine learning and architectures of deep neural networks for solving the problem of assessing the output of an open pit mine. The study included: consideration of approaches to image segmentation using neural networks, development and implementation of experiments to compare the effectiveness of different architectures of deep neural networks in the problem of assessing an open pit mine. The work demonstrates the effectiveness of the approach using the transformer architecture, and shows the possibilities of applying the model in further solving the problem. Practical application area: the proposed approach can be used to improve the markup of the original data set, as well as an independent assessment to help an expert determine the quality of the outgoing product.

Объект исследования – система компьютерного зрения для контроля качества выходящей продукции горнодобывающей промышленности. Предмет исследования являются методы семантической сегментации, глубокие нейронные сети, кодировщики признаков, функции потерь. Цель работы – исследование современных методов машинного обучения и архитектур глубоких нейронных сетей для решения задачи оценки выхода продукции с открытого карьера. В процессе исследования проводились: рассмотрение подходов сегментации изображений с помощью нейронных сетей, разработка и реализация экспериментов для сравнения эффективности разных архитектур глубоких нейронных сетей в задаче оценки открытого карьера. В работе продемонстрирована эффективность подхода с использованием архитектуры трансформер, показаны возможности применения модели в дальнейшем решении задачи. Область практического применения: предложенный подход может быть использован для улучшения разметки исходного набора данных, а также независимой оценки для помощи эксперту в определении качества выходящей продукции.