Clasificación y detección de errores en piezas para inspección industrial

Abstract

[ES] Se presenta una comparativa entre distintos métodos para la extracción de características de un conjunto de piezas industriales. El objetivo de estas características es entrenar un algoritmo de clasificación con rechazo capaz de determinar la clase a la que pertenece una nueva pieza, o si esta presenta una variación demasiado grande como para ser aceptada como válida. El propósito de la comparativa es escoger el mejor conjunto de características que mejore el sistema de clasificación con rechazo de Zerogravity3D. Este es un producto desarrollado dentro del Instituto Tecnológico de Informática para el campo de la inspección industrial. Obtiene un conjunto de 16 vistas desde distintos ángulos del objeto bajo inspección y realiza una reconstrucción del modelo. Actualmente utiliza únicamente las características de área, volumen y desviación típica de los puntos del modelo 3D. \newline

Se comparan extractores de características tanto sobre los modelos 3D de las piezas como sobre sus vistas. Sobre los modelos 3D se extraen características geométricas ya existentes y se propone incluir un histograma de distancias de los puntos al centroide; y sobre las vistas del objeto se utilizan algunas técnicas clásicas de extracción de características de imagen (Zernike y RLBP) y \textit{Deep Learning} (MVCNN). \newline

De entre todos los extractores de características, Zernike y MVCNN son los que mejores resultados obtienen, con una tasa de acierto del 89.8\% y 93.6\% y una tasa de error de 4\% y 6.9\%, respectivamente. MVCNN, debido a que es un algoritmo de \textit{Deep Learning}, es más costoso computacionalmente que Zernike y por eso tarda el triple que este (400 ms para MVCNN y 120 ms para Zernike en un procesador Intel(R) Xeon(R) CPU E5-2630 v3). Las características del modelo 3D propuestas obtienen una mejora del 8.7\% de precisión y reducen la tasa de error un 0.86\% frente a las ya existes. Sin embargo, no consiguen un acierto comparable con las dos técnicas mencionadas anteriormente (un 70.84\%), aunque obtienen una tasa de error baja del 4.05\%. Además, esta técnica requiere de una reconstrucción 3D, que es una etapa muy costosa del proceso, lo que hace que sea el extractor de características más lento (2 segundos). RLBP consigue menor tasa de acierto (un 67.53\%) y mayor tasa de error (un 14.7\%), sin embargo es el extractor de características más rápido, requiriendo únicamente 10 ms. La mejora en los resultados utilizando las vistas directamente permiten reducir el coste temporal de clasificación ya que no es necesaria la reconstrucción 3D. \newline

Posteriormente se realiza una comparativa entre las dos mejores opciones (Zernike y MVCNN). Debido a factores como el coste de cómputo y riesgos a la hora de entrenar MVCNN, se escoge Zernike como la mejor alternativa. Con esto se propone una solución final y, finalmente, se describe el proceso de implantación dentro del sistema Zerogravity3D.

[EN] This work presents a comparison between feature extractors over a set of industrial parts. The goal of this features is to train a model able to clasify a part into its corresponding class, or discard the part if it contains a significant deviation. The purpose of this comparison is to select the most significant features to improve the clasification with rejection system within Zerogravity3D. This is a product developed by the Technological Institute of Computer Science. Obtains a set of 16 views from the part under inspection and reconstructs it. Currently, it extracts the geometrical features area, volume and standard deviation from the points of the 3D model. \newline

Both 2D view features and 3D model features are considered. The histogram of distances to the centroid of the model is proposed to be included along with the existing 3D features extracted. For the views of the part, some classical techniques (such as Zernike and RLBP) and \textit{Deep Learning} (MVCNN) are considered. \newline

Among all feature extractors, Zernike and MVCNN achieved the best results, with a 89.6\% and 93.6\% precision and 4\% and 6.9\% error rate, respectively. MVCNN, due to the fact that is a \textit{Deep Learning} technique, is more computationally expensive than Zernike and therefore takes three times more time to compute (400 ms for MVCNN and 120 ms for Zernike in an Intel(R) Xeon(R) CPU E5-2630 v3 processor). The 3D features proposed achieve a 8.7\% increase in precision and a 0.86\% reduction on the error rate. However, it doesn't achieve a precisión (70.84\%) comparable to the previous features, although it gets a low error rate (4.05\%). Moreover, it is the slowest of all feature extractors (2 seconds), as it requires to perform the 3D reconstruction. RLBP obtains the lowest precision (67.53\%) and a higher error rate (14.7\%) but it is the quickest, needing just 10 ms to compute the features. The fact that the best results are the ones using the views of the parts allows the removal of the 3D reconstruction phase.\newline

Furthermore, the two best options, Zernike and MVCNN, are compared. Due to the computational cost and training risks of MVCNN, Zernike is chosen as the best alternative. This is proposed as a final solution to the project and, finally, the instalation process inside Zerogravity3D is detailed.