Contrôle qualité et détection de défauts pour les systèmes de triage industriel par l’utilisation de deep learning
Notice bibliographique
Résumé
Ce mémoire se concentre sur la classification des images de boîtes d'emballage en utilisant le Deep Learning. Pour ce faire, un système de classification et de détection d'images a été créé en utilisant un réseau de neurones convolutifs (CNN). L'implémentation du programme a été réalisée sur Google Colab avec un accélérateur GPU pour accélérer les calculs mathématiques. Le programme utilise une série de cellules pour classifier la nature de boites (défectueuse/non défectueuse). Pour que cette solution puisse être intégrée sur le terrain, des modificat ions doivent être apportées pour qu'elle puisse traiter un grand nombre de boites en temps réel à l'aide de caméras industrielles. Les résultats de la classification ont été satisfaisants avec une précision supérieure à 90%. Des techniques de prétraitement d'image ont également été appliquées pour améliorer la qualité des images avant l'entraînement du modèle. Enfin, les notions et définitions de base du domaine du Deep Learning ont été exposées, ce qui permet une meilleure compréhension de l'approche adoptée dans ce travail de recherche.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».