DISEÑO E IMPLEMENTACIÓN DE UN CLASIFICADOR MEDIANTE REDES NEURONALES PARA UN SISTEMA DE INSPECCIÓN INDUSTRIAL 3D

Abstract

[ES] En este proyecto se realiza el diseño e implementación de un clasi cador basado en redes neuronales convolucionales con el objetivo de realizar el etiquetado de objetos 3D con el objetivo de alimentar un sistema de inspección industrial. El sistema propuesto pretende superar las limitaciones de los clasi cadores convencionales implementados actualmente en el sistema de inspección, donde un conjunto de objetos concretos pueden presentar una ambigüedad muy elevada debido al sistema de reconstrucción en tres dimensiones que se utiliza. Para poder desarrollar el sistema se ha investigado la bibliografía existente con tal de encontrar una arquitectura de red neuronal orientada a la clasi cación de objetos tridimensionales, ya sea mediante un sistema multivista o representaciones volumétricas basadas en nubes de puntos o en voxels. Se diseña un clasi cador de objetos 3D mediante un sistema multivista al que se le realiza una modi cación para poder aprender la escala de los objetos a partir de la resolución de la imagen. Este clasi cador se implementa utilizando diferentes arquitecturas para determinar cual es la más adecuada. Finalmente se han realizado pruebas de funcionamiento generando un segundo dataset de piezas defectuosas deformando las piezas del dataset original, comprobando la respuesta del clasi cador ante este tipo de entradas.

[CA] En aquest projecte es realitza el disseny i implementació d'un classi cador basat en xarxes neuronals convolucionals amb l'objectiu de realitzar l'etiquetatge d'objectes 3D amb l'objectiu d'alimentar un sistema d'inspecció industrial. El sistema proposat pretén superar les limitacions dels classi cadors convencionals implementats actualment en el sistema d'inspecció, on un conjunt d'objectes concrets poden presentar una ambigüitat molt elevada a causa del sistema de reconstrucció en tres dimensions que s'utilitza. Per poder desenvolupar el sistema s'ha investigat la bibliogra a existent per tal de trobar una arquitectura de xarxa neuronal orientada a la classi cació d'objectes tridimensionals, ja sigui mitjançant un sistema multivista o representacions volumètriques basades en núvols de punts o en voxels. Es dissenya un classi cador d'objectes 3D mitjançant un sistema multivista al qual se li realitza una modi cació per poder aprendre l'escala dels objectes a partir de la resolució de la imatge. Aquest classi cador s'implementa utilitzant diferents arquitectures per determinar quina és la més adequada. Finalment s'han realitzat proves de funcionament generant un segon dataset de peces defectuoses deformant les peces del dataset original, comprovant la resposta del classi cador davant aquest tipus d'entrades.

[EN] In this project, the design and implementation of a classi er based on convolutional neural networks is carried out with the aim of carrying out the labeling of 3D objects in order to feed an industrial inspection system. The proposed system aims to overcome the limitations of conventional classi ers currently implemented in the inspection system, where a set of concrete objects can present a very high ambiguity due to the three-dimensional reconstruction system that is used. In order to develop the system, the existing bibliography has been investigated in order to nd a neural network architecture oriented to the classi cation of three-dimensional objects, either through a multiview system or volumetric representations based on point clouds or voxels. A 3D object classi er is designed by means of a multiview system that is modi ed to be able to learn the scale of the objects based on the resolution of the image. This classi er is implemented using di erent architectures to determine which is the most appropriate. Finally, performance tests have been carried out generating a second dataset of defective parts, deforming the pieces of the original dataset, checking the response of the classi er to this type of inputs.