臺灣博碩士論文加值系統

本篇論文利用工廠製作的玻璃片模擬玻璃製作過程最後的外觀檢測，其玻璃片表面可能會產生撞傷、撞痕、裂傷等不同的瑕疵，由玻璃具有光反射特性，傳統上因採用的人工比對檢測法不但耗時費力，且容易因為光反射的干擾而出現檢測結果不同導致不良品流出，則近期深度學習議題討論度越來越高，應用於圖片識別與影像識別也更為廣泛，本研究使用深度學習對影像中的玻璃片的瑕疵來進行標記與訓練，並透過物件偵測的方式把玻璃上的瑕疵偵測框選出來，這樣能減少誤判率與不良品流出的發生，也能提高檢測效率。
本研究檢測設備採用Raspberry pi 4，並使用熱門的物件偵測演算法 YOLOv5來進行玻璃瑕疵偵測，首先蒐集數百張的玻璃瑕疵圖像，並透過框選標記工具labelimg來進行標記圖像瑕疵相對位置，將標記後的資料與圖像儲存至YOLOv5資料集，接下來調整資料集內部的程式，調整完程式後在終端機執行指令測試玻璃瑕疵偵測效果，則為了有效提高偵測玻璃瑕疵的效率與準確度，需反覆執行觀察偵測結果來調整指令找出最佳物件偵測訓練集。
透過無數的訓練與參數上的調整，訓練出的玻璃瑕疵偵測結果雖然不盡理想，但也有對玻璃刮傷的瑕疵偵測有98%的辨識成功率，經由這次研究，深度學習確實能對物品進行瑕疵檢測，也證明此應用在工業上的外觀檢測是可行的。

This paper uses factory-made glass sheets to simulate the final appearance inspection of the glass production process. The surface of the glass sheets may have different defects such as bumps, bumps, cracks, etc. The glass has light reflection characteristics. Traditionally, due to the artificial The comparison detection method is not only time-consuming and labor-intensive, but also prone to different detection results due to the interference of light reflection, resulting in the outflow of defective products. Recently, the topic of deep learning has become more and more discussed, and it is also widely used in image recognition and image recognition. In this study, deep learning is used to mark and train the defects of glass sheets in the image, and the detection frame of defects on the glass is selected by the method of object detection, which can reduce the misjudgment rate and the occurrence of defective product outflow. Can improve detection efficiency.
The detection equipment in this research uses Raspberry pi 4, and uses the popular object detection algorithm YOLOv5 for glass defect detection. First, hundreds of glass defect images are collected, and the image defects are marked by the frame selection tool labelimg Relative position, save the marked data and images to the YOLOv5 data set, and then adjust the program inside the data set. After adjusting the program, execute the command on the terminal to test the glass defect detection effect. In order to effectively improve the detection of glass defects For the efficiency and accuracy, it is necessary to repeatedly execute the observation and detection results to adjust the command to find the best object detection training set.
Through countless training and parameter adjustments, although the results of glass flaw detection are not ideal, there are also detections of glass scratch with a 98% recognition success rate. Through this research, deep learning can indeed Items are inspected for defects, which also proves that this application is feasible in industrial appearance inspection.

摘要 i
Abstract ii
誌謝 iii
目錄 iv
圖目錄 vi
表目錄 viii
1、緒論 1
1.1 研究背景與動機 1
1.2 研究目的 3
1.3 研究架構 4
2、文獻回顧 5
2.1 機器學習 5
2.1.1 機器學習模式 5
2.1.2 機器學習架構 7
2.2 類神經網路 8
2.3 卷積神經網路 9
2.3.1 卷積層 10
2.3.2 池化層 11
2.3.3 激勵函數 12
2.4 深度學習 14
2.5 物件偵測 15
2.5.1 YOLO v5介紹與架構 15
3、研究方法 17
3.1 樹梅派介紹 17
3.1.1 樹莓派Raspberry Pi單板機 18
3.1.2 Raspberry Pi作業系統 20
3.2 開發環境建立 22
3.2.1 YOLO v5安裝 22
3.2.2 YOLO v5環境建立 24
3.2.3 YOLO v5物件偵測測試 25
3.3 玻璃影像與瑕疵定義 27
3.3.1 瑕疵定義 28
3.4 影像擷取 29
3.4.1 實驗檢測環境 30
3.5 訓練集圖像標記 31
3.5.1 圖像標記流程 32
3.6 YOLO v5訓練流程 36
3.7 YOLOv5模型訓練 38
4、實驗結果與探討 44
4.1 YOLOv5模型訓練結果 44
4.2 YOLOv5模型辨識測試集 49
4.3 YOLOv5辨識正確率驗證 51
5、結論與未來展望 57
5.1 結論 57
5.2 未來展望 58
6、參考文獻 59

參考文獻
[1] DOIT經濟技術處 產業技術評析-人工智慧於影像辨識之應用與發展。
[2] 什麼是機器學習？。
[3] 你知道機器學習(Machine Learning)，有幾種學習方式嗎?。
[4] 機器學習(Machine Learning) 介紹。
[5] 國立台灣大學 計算機及資訊網路中心 電子報-淺談Deep Learning原理及應用-作者：周秉誼。
[6] 周伯宇。基於卷積神經網路之影像超解析。義守大學資訊工程研究所。2017。
[7] 直觀理解卷積神經網路。
[8] 深度學習之卷積神經網絡CNN。
[9] 3S MARKET「全球智慧科技應用」市場資訊網-人工智慧之卷積神經網路(CNN) 。
[10] mean-pooling（平均池化），max-pooling（最大池化）、Stochastic-pooling（隨機池化）和global average pooling（全局平均池化）的區別簡介。
[11] 人工智能--激活函數_william118的博客-程序員ITS401_人工智能激活函數。
[12] 人工智慧、機器學習、深度學習介紹。
[13] Yolo：基於深度學習的物件偵測 (含YoloV3) 。
[14] 【快速入門】YOLOv5目標檢測演算法。
[15] YOLOV5網絡結構簡介。
[16] 認識樹莓派。
[17] Raspberry Pi官方代理商。