is Íslenska en English

Lokaverkefni (Meistara) Háskólinn í Reykjavík > Tækni- og verkfræðideild > MEd / MPM / MSc verkefni >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/31662

Titill: 
  • Titill er á ensku Machine learning for detection of cryolite electrolyte residue.
  • Vélrænt nám við myndgreiningu á cryolite baðefnaleyfum
Námsstig: 
  • Meistara
Útdráttur: 
  • Útdráttur er á ensku

    The bulk of modern aluminum smelting companies use carbon anodes in their smelting process. These anodes are consumed in the smelting process and need to be replaced periodically with a period of 30 days. Usually, there is around 20-30\% remaining of the carbon when an anode is replaced. The remaining carbon is processed for recycling. When an anode is removed, electrolyte bath residue covers the carbon and needs to be removed. Current cleaning machines often fail to remove all this bath residue. This calls for a visual inspection of anodes before they are recycled. If bath residue is found, a human worker cleans the remaining bath material using handheld machinery. This task is a health risk to human workers and increases cost.
    The first step in automating this task is to automate the visual inspection. Conventional industrial computer vision practices, call for control over lighting and background. In this thesis, we aimed to implement the computerized detection method without control over the environment. The detection method is required to have an accuracy of at least 70\%. The number of images and time required to label them was unknown. To achieve this, a convolutional neural network was trained to do semantic segmentation on the images. locating pixels in images, that contain the bath residue. The study showed that a U-net inspired architecture gave the best result with an average IOU percentage of 74.76 \% when trained on a database containing 240 image samples. The labeling time was an average of 107.3 seconds per image.

  • Flest álver notast við kolefnisrafskaut í framleiðsuferlum sínum. Rafskautin rýrna í framleiðsluferlinu og þarf því að skipta þeim út reglulega. Yfirleitt er þeim skipt út á 30 daga fresti eða þegar um 20-30\% eru eftir af kolefninu. Afgangs kolefnið er svo sent til endurvinnslu. Þegar rafskautin koma úr kötlunum eru þau þakin rafleiðni efni sem kallað er baðefni. Baðefnið er fjarlægt með sérstökum hreinsivélum. Vélarnar sem notaðar eru nú til dags ná hinsvegar ekki að hreinsa öll rafskaut nægilega vel. Þetta kallar á sjónskoðun á öllum rafskautum. Ef baðefni er enn til staðar er það fjarlægt af starfsmanni með rafknúnum handverkfærum. Þetta verkefni er bæði skaðlegt heilsu starfsmanna sem og kostnaðarsamt.
    Fyrsta skrefið í að sjálfvirknivæða fínhreinsun er að gera sjón skoðunina sjálfvirka. Hefðbundnar aðferðir kalla eftir að bakgrunnur og umhverfislýsing séu ekki mjög breytileg. Í þessari rannsókn var leitast eftir að framkvæma tölvusjónskoðun án þess að stjórna birtu eða umhverfi. Myndgreiningin þarf að hafa nákvæmni upp á 70\%. Tauganet var þjálfað til þess að finna baðefnaleyfar á tvívíðum myndum. Ekki var vitað fyrir hversu margar myndir þyrfti til þess að ná settu markmiði.
    Rannsóknin leiddi í ljós að U-net arkitektúr gaf bestu niðurstöðuna með meðal IOU prósentu upp á 74,76\% eftir að vera þjálfað á gagnasetti með 240 merktum myndum. Merkingartíminn á gagnasettinu var 107,3 sekúndur á hverja mynd.

Samþykkt: 
  • 22.8.2018
URI: 
  • http://hdl.handle.net/1946/31662


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
MSc-Matthías Hjartarson-2018.pdf11.65 MBLokaður til...01.01.2050HeildartextiPDF
hjordislh_2018-08-17_10-00-10.pdf421.12 kBOpinnBeiðni um lokunPDFSkoða/Opna