Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Systém k provádění automatizované kontroly svarů

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25530%2F20%3A39917274" target="_blank" >RIV/00216275:25530/20:39917274 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    čeština

  • Název v původním jazyce

    Systém k provádění automatizované kontroly svarů

  • Popis výsledku v původním jazyce

    Systém k provádění automatizované kontroly svarů zahrnuje senzor pro sběr obrazových dat, klasifikační a řídicí jednotku komunikačně spojenou se senzorem, nadřazený řídicí systém komunikačně spojený s klasifikační a řídicí jednotkou, kde klasifikační a řídicí jednotka zahrnuje paměťovou jednotku a výpočetní jednotku zahrnující alespoň dvě implementované architektury konvolučních neuronových sítí o různých výpočetních náročnostech. Výhoda tohoto provedení spočívá v možnosti využití složitosti neuronové sítě odpovídající kvalitě snímků, což umožňuje rychlejší adaptaci neuronové sítě a její plynulejší trénování. Systém dále zahrnuje rozhraní pro komunikaci s operátorem komunikačně spojené s klasifikační a řídicí jednotkou, přičemž rozhraní zahrnuje zobrazovací jednotku a vstupní periferii pro přijetí instrukce o zařazení obrazových dat do jedné z alespoň dvou tříd, zadání míry jistoty zařazení obrazových dat k třídě a výběru architektury neuronové sítě. Výhoda představeného systému spočívá v získání přesnějšího klasifikátoru neuronové sítě, kdy trénování neuronové sítě probíhá nad množinou obrazových dat, která jsou zařazena do dané třídy statisticky s vyšší hodnotou jistoty příslušnosti snímků do dané třídy, než při trénování neuronové sítě nad množinou všech zařazených dat. Paměťová jednotka obsahuje snímky svarů získané senzorem a zařazené do příslušné třídy. Architektura neuronové sítě s nejnižší výpočetní náročností obsahuje alespoň sedm vrstev typu Convolution2D, MaxPooling2D, Dropout, Flatten a Dense. Vstupní periferie zahrnuje ovládací prvek k zadání míry jistoty příslušnosti snímku do příslušné třídy, přičemž míra jistoty je tím vyšší, čím delší je délka stisku ovládacího prvku.

  • Název v anglickém jazyce

    The system for automated welding inspection

  • Popis výsledku anglicky

    The system for automated welding inspection comprises an image data acquisition sensor, a classification and control unit connected to the sensor, a parent control system connected to the classification and control unit, the classification and control unit comprising a memory unit and a computing unit comprising at least two implemented convolutional neural network architectures with different computational demands. The advantage of this design lies in the possibility of using the complexity of the neural network corresponding to the quality of the images, which enables faster adaptation of the neural network and its smoother training. The system further includes an interface for communicating with the operator. The interface includes a display unit and an input peripheral for receiving an instruction to classify image data into one of at least two classes, entering a degree of certainty of classifying image data networks. The advantage of the presented system lies in obtaining a more accurate neural network classifier, where neural network training takes place over a set of image data, which are classified into a given class statistically with a higher value of certainty of belonging to a given class than neural network training over a set of all included data. The memory unit contains images of welds obtained by the sensor and classified in the appropriate class. The neural network architecture with the lowest computational complexity contains at least seven layers such as Convolution2D, MaxPooling2D, Dropout, Flatten and Dense. The input peripheral includes a control element for entering the degree of certainty of belonging to the image to the respective class, the degree of certainty being higher the longer the length of pressing of the control element.

Klasifikace

  • Druh

    F<sub>uzit</sub> - Užitný vzor

  • CEP obor

  • OECD FORD obor

    20205 - Automation and control systems

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/TG02010058" target="_blank" >TG02010058: Podpora aktivit proof-of-concept na Univerzitě Pardubice</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2020

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Číslo patentu nebo vzoru

    34543

  • Vydavatel

    CZ001 -

  • Název vydavatele

    Industrial Property Office

  • Místo vydání

    Prague

  • Stát vydání

    CZ - Česká republika

  • Datum přijetí

  • Název vlastníka

    Univerzita Pardubice

  • Způsob využití

    B - Výsledek je využíván orgány státní nebo veřejné správy

  • Druh možnosti využití

    A - K využití výsledku jiným subjektem je vždy nutné nabytí licence