22049

22049

توسعه روش هايي براي پايش و تحليل داده هاي تصويري

دكتري تخصصي

مهندسي صنايع

1391

1398/3/25

دكتر رسول نورالسناء

دكتر محمد فرخي - دكتر ارد احمدي

مهندسي صنايع

پس از انقلاب صنعتي و افزايش رقابت در صنايع مختلف، علم كنترل فرآيند آماري مورد توجه بيشتري از طرف محققان و صنعتگران قرار گرفت. وظيفه اصلي اين علم تشخيص سريع خروج فرآيند از حالت تحت كنترل و همين‌طور تشخيص علت و زمان اين اتفاق است كه منجر به بازگشت سريع فرآيند به حالت تحت كنترل مي شود. در گذشته و با توجه به ساده‌تر بودن ساختار محصولات و فرآيند ها، پايش يك يا چند مشخصه كيفي در طول زمان امكان تحت كنترل درآوردن فرآيند را فراهم مي نمود اما با پيچيده‌تر شدن صنايع و محصولات نياز به پايش ابعاد بزرگ‌تري از داده ها ايجاد شد. يكي از اين نوع داده¬ها رابطه تابعي بين متغير پاسخ و متغير هاي مستقل است كه پروفايل ناميده مي شود. پايش پروفايل ها منجر به سطح دقت بالاتر در كشف انحرافات در فرآيند و دلايل وقوع آن‌ها مي شود. يكي از معايب پايش پروفايل ها بخصوص براي مشخصات ظاهري محصول نياز به تعداد زياد اندازه‌گيري است و با توجه به آسيب‌پذير بودن برخي محصولات، امكان ايجاد اشكال در محصول به وجود مي¬آيد. در سال‌هاي اخير نوع جديدي از داده¬ها كه بدون تماس با محصول استخراج مي شوند مورد توجه محققين قرار گرفته اند. اين نوع داده ها نظير سيگنال‌هاي صوتي، تصاوير و ويدئوها داراي ابعاد بزرگي هستند و درنتيجه پايش آن‌ها نياز به توسعه روش هاي جديد آماري با قابليت تحليل روي داده هاي با حجم و سرعت بالا دارد. اين رساله روش¬هاي آماري براي تحليل داده¬هاي تصويري را ارائه مي‌دهد. در روش هاي پيشنهادي از ابزار موجك جهت بهره‌گيري هم‌زمان از خواص دامنه فضايي و دامنه فركانسي تصاوير استفاده شده است. در رويكرد اول ابتدا تصوير به تعدادي پروفايل تقسيم شده و ضرايب موجك يك‌بعدي براي اين پروفايل ها استخراج مي شوند. ضرايب تقريب به كمك نمودار كنترل نسبت درستنمايي تعميم‌يافته در طول زمان پايش مي شوند و پس از هر سيگنال، مكان بروز نقص و نقطه تغيير شناسايي مي شوند. در ادامه براي جلوگيري از به هدر رفتن اطلاعات موجود در ضرايب جزئيات، روش هاي مبتني بر آستانه نرم و سخت بكار گرفته مي شوند تا اطلاعات مهم موجود در ضرايب جزئيات در محاسبات حاضر باشند. نتايج مطالعات شبيه‌سازي نشان‌دهنده بهبود عملكرد نمودار كنترل نسبت درستنمايي تعميم‌يافته در هنگام به‌كارگيري روش آستانه¬سازي نرم نسبت به رويكرد پيشنهادي اول هستند. در رويكرد هاي مبتني بر موجك يك‌بعدي، با تبديل تصوير به تعدادي پروفايل عملاً ساختار تصوير تا حدي از بين مي¬رود و اين موضوع ممكن است در كشف برخي از انواع تغيير كاهش دقت را به همراه داشته باشد. براي جبران اين موضوع از تبديل موجك دوبعدي براي استخراج ضرايب موجك استفاده مي شود كه كل ماتريس تصوير را به‌عنوان ورودي به ضرايب تقريب، جزئيات افقي، جزئيات عمودي و جزئيات قطري تبديل مي كند. سپس آماره اي مبتني بر نسبت درستنمايي براي ضرايب موجك دوبعدي توسعه داده شده است. نتايج شبيه‌سازي مبين حصول به‌دقت بيشتر در پايش آماره مبتني بر موجك دوبعدي نسبت به روش هاي قبل است. در رويكرد آخر اين رساله از شبكه عصبي پرسپترون چندلايه به‌منظور تشخيص نوع عيب استفاده شده است. تشخيص نوع عيب پس از دريافت سيگنال خارج از كنترل به كمك يكي از روش هاي قبلي اين رساله، اهميت زيادي در بازگشت سريع فرآيند به حالت تحت كنترل دارد و ازجمله اطلاعات مهم عارضه‌يابي است.

1399/03/24

Developing Methods for Monitoring and Analyzing of Image Data

6/15/2019 12:00:00 AM

Statistical Process Control (SPC) plays an important role in modern processes due to industrial revolution and the emergence of competitive space among producers. The main purpose of SPC is to detect any out-of-control condition and moreover, provide the responsible parameter for deviation of process as an important diagnostic information. This information can help practitioners to find the root cause for deviation and restore the process to its in-control condition. SPC in its earliest stages was summarized to Shewhart control charts which could only monitor one quality charachteristic over time. As the products and processes got more complicated, the need for monitoring more than one quality characteristric was felt and lead the researchers to develop multivariate control charts. Growing of SPC techniques continued and researches found that in some cases, it is more efficient to monitor the relationship between the response variable and one or more explanatory variables which is called as profile. The process speed and time consuming measurments lead scientists to find novel data types which can be gathered without any contact to the prduct and even interfering the process. This type of data is called image data which could provide thousands to milions of data points in a fraction of a second. Various types of images such as RGB, X-Ray, Infrared, etc, can provide us wide range of data types from the product including apparent or interior features. Volume and velocity of this data type could not be handled by traditional SPC methods. In recent years, some researches proposed new statistical methods that can handle image data. In this dissertation, we tried to propose a number of statistical methods to monitor and analyze image data. In our proposed procedures, wavelet is applied as a transform to help us exploit frequency domain feaures from the image. The first proposed procedure of this dissertation is based on one dimensional descrete wavelet transform and applying Generalized Likelihood Ratio (GLR) control chart for monitoring images. Then, a sub- procedure is proposed which applies hard and soft thresholding to help the practitioner keep useful information in detail coefficients of wavelet transformation. Results show that in some cases, this sub procedure improve the performance evaluation indicatiors. A 2 dimensional wavelet based remedy is then proposed and a likelihood ratio statistic is developed in process monitoring. This remedy helps us not to lose useful information inherited in the image structure. Numerical studies illustrate the improvement of performance indices by applying this techniques. All of the aforementioned methods can signal for out of control states but after each signal, the practitioner needs to find the defect type which can lead to faster process restoration. For this purpose, an Artificial Neural Network (ANN) based procedure is proposed which applies Multi Layer Perceptron (MLP) to classify the image (which leads the monitoring procedure t signal) into the defect types. This remedy can be applied as a supplementary procedure for previous proposed methods to provide defect type after any out of control signal.