Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Semi-Supervised Domain Adaptation for Pick Classification in Pick and Place Machines
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Pick and Place (PnP) machines collect and use large amounts of image data of Printed Circuit Board (PCB) components. The data is used to train automated image analysis methods to improve the decisions in the mounting process. Previous work with Neural Networks has shown promising results in the classification of the component status. However, the characteristics of the data changes over time as new PCBs, components, and PnP machines are deployed. This work applies a Semi-supervised Domain Adaptation method named Associative Domain Adaptation to enable learning of a new and unlabeled data set. The networks reach high performance despite skew class distributions, but the final results do not outperform the current classification algorithm in the PnP machines. However, ensembling of different methods can make use of the strengths from both the current classification system and the method proposed in this thesis, where the ability to learn from unlabeled data is a promising advantage.

Abstract [sv]

Inom fabrikstillverkning av kretskort (PCB) används automatiserade monteringslinjer med Pick and Place-maskiner. Dessa maskiner plockar upp komponenter och avgör sedan om de bör monteras eller förkastas. Genom att utveckla analysen av en plockad komponent kan användandet av material och resurser effektiviseras. Stora mängder av bilder på plockade komponenter har möjliggjort tillämpningar med neurala närtverk för att avgöra om en komponent är lämplig att montera. I och med att industrin hela tiden utvecklar nya komponenter och Pick and Place-maskiner så förändras utseendet av bilderna som nätverket ska klassificera. För att ett nätverk med övervakad inlärning (Supervised Learning) ska kunna anpassas till det senaste datat behöver experter hela tiden lägga ner tid på att tilldela etiketter (labels) till de nya bilderna. För att göra det möjligt för neurala nätverk att använda ny data som saknar etiketter så tillämpar detta arbete semi-övervakad inlärning för domänanpassning (Semi-Supervised Domain Adaptation). Ett ytterligare problem med datat är att felaktiga komponenter är ovanliga. Den valda metoden, Associativ domänanpassning (Associative Domain Adaptation), lyckas justera den inlärda fördelningen till den nya domänen trots att datamängdernas klasser har skev fördelning. De slutgiltiga nätverken når hög precision men överträffar inte befintliga beslutssystem. Däremot finns det potential att utnyttja styrkorna i båda klassificeringssystemen genom att kombinera dem, där nätverkens kapacitet att lära från data utan etiketter har en lovande potential.

Place, publisher, year, edition, pages
2019. , p. 60
Series
TRITA-EECS-EX ; 2019:332
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-254977OAI: oai:DiVA.org:kth-254977DiVA, id: diva2:1337082
Supervisors
Examiners
Available from: 2019-07-11 Created: 2019-07-11 Last updated: 2019-07-11Bibliographically approved

Open Access in DiVA

fulltext(2537 kB)13 downloads
File information
File name FULLTEXT01.pdfFile size 2537 kBChecksum SHA-512
f16a6e02c09126d385730c88a64addaadb9bbc2b719f20fed92af22f247db5399d50c91dbb525317143b1d8013a5bc19ce8d295fa705876e8b77bb042782efc4
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 13 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 38 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf