נושא הפרוייקט

מספר פרוייקט מחלקה שמות סטודנטים אימייל שמות מנחים

זיהוי פגמים ברכיבים אופטיים בתהליך הייצור בעזרת לימוד עמוק

Recognition of defects in optical elements in the production process using deep learning

תקציר בעיברית

רקע: הפרויקט עוסק בסיווג וסגמנטציה של פגמים בתמונות בעזרת רשתות נוירונים ושילוב של ארכיטקטורות חדשניות לקבלת תוצאות אופטימליות.



מטרה: השוואה בין הארכיטקטורות הקיימות במשימות הסיווג והסגמנטציה לבין ארכיטקטורות חדשניות לצד הסקת מסקנות ותובנות על ההתנהגות של רשתות הנוירונים.



שיטות שבהן השתמשנו: ראשית בנינו רשת CNN שמבצעת סיווג. לאחר מכן בנינו רשת בארכיטקטורת U-Net שמבצעת סגמנטציה. ביצענו אופטימיזציה לרשתות. לאחר מכן, השתמשנו בלמידה משולבת בכך ששילבנו את 2 הארכיטקטורות לארכיטקטורה אחת לקבלת תוצאה טובה יותר וערכנו אופטימיזציה ולאחר מכן השוואה עם התוצאות הקודמות.



ממצאים/ תוצאות: קיבלנו כי אכן הרשת המשולבת מקבלת תוצאות טובות יותר משמעותית לאחר אופטימיזציה. בנוסף, למדנו והפקנו מסקנות על ההתנהגות של רשתות הנוירונים.



סיכום: שימוש בלמידה משולבת - במקרה שלנו סגמנטציה ואז סיווג, ואופטימיזציה של ההיפר-פרמטרים עשויים לשפר רבות את תוצאות הרשת.



מילות מפתח: רשתות נוירונים, סיווג, סגמנטציה, למידה משולבת, היפר-פרמטרים, אופטימיזציה.

תקציר באנגלית

Background: The project dealt with classification and segmentation of defects in images using neural networks and a combination of innovative architectures to obtain optimal results.



Aim or Purpose: Comparison between the existing architectures in the classification and segmentation tasks and innovative architectures alongside drawing conclusions and insights about the behavior of the neural networks.



Methods used: First we built a Convolutional Neural Network that performed classification. Then, we built a network in the U-Net architecture which performed segmentation. We optimized the networks. We used ensemble learning by combining the 2 architectures into one architecture to obtain better results. Finally, we optimized the last network and compared its results with the previous ones.



Findings\ results: We concluded that indeed the integrated network gets significantly better results than the others. In addition, we studied and drew conclusions about the behavior of the neural networks.



Conclusion: Use of Ensemble learning - in our case segmentation and then classification, beside optimization of the hyper-parameters may significantly improve the results of the network.



Key words: Neural networks, classification, segmentation, ensemble learning, hyper-parameters, optimization.