Login for students

Login for employees

Publication detail

Detection of Polymer Thickness Based on the Degree of Their Transparency in SWIR Spectrum on Edge Computing Device
Year: 2024
Type of publication: článek ve sborníku
Name of source: Artificial Intelligence and System Engineering: Proceedings of 8th Computational Methods in Systems and Software 2024, Volume 2 (Lecture Notes in Networks and Systems. Vol. 1490)
Publisher name: Springer Science and Business Media
Place: neuvedeno
Page from-to: 1-9
Titles:
Language Name Abstract Keywords
cze Detekce tloušťky polymerů na základě stupně jejich průhlednosti ve spektru SWIR na zařízení Edge Computing Studie ukazuje, že pomocí snímků z kamery SWIR lze přesně detekovat polymerní díly (ABS) a jejich tloušťku. Rovněž jsme vyhodnotili proveditelnost této detekce na edge computing zařízeních, jako je Jetson Nano, což zajišťuje dostatečnou rychlost pro aplikace v reálném čase. K tomuto účelu jsme použili modely z nejnovějších verzí rámce pro detekci objektů YOLO. Pomocí datové sady 870 snímků, která obsahovala kruhové vzorky o tloušťce od 0,2 do 1 mm, jsme trénovali a testovali neuronové sítě. Model YOLOv9-E dosáhl nejvyšší přesnosti s hodnotou AP@[.5:.05:.95] 96,57 %. I menší a rychlejší modely, jako je YOLOv8s, vykazovaly vysokou přesnost (AP@[.5:.05:.95] 96,28 %) a rychlou dobu zpracování s průměrnou dobou inference 70,6 ms. Tyto výsledky naznačují, že SWIR zobrazování v kombinaci s modely YOLO je životaschopný přístup pro průmyslové aplikace v reálném čase, zejména ve scénářích recyklace polymerního odpadu. YOLO; SWIR; Detkce objektů; Polymer
eng Detection of Polymer Thickness Based on the Degree of Their Transparency in SWIR Spectrum on Edge Computing Device The study demonstrates that polymer (ABS) parts and their thickness can be accurately detected using SWIR camera images. We also evaluated the feasibility of performing this detection on edge computing devices like the Jetson Nano, ensuring sufficient speed for real-time applications. For this purpose, we used models from the latest versions of the YOLO object detection framework. Using a dataset of 870 images, featuring circular samples with thicknesses ranging from 0.2 to 1 mm, we trained and tested the neural networks. The YOLOv9-E model achieved the highest precision with an AP@[.5:.05:.95] of 96.57%. In particular, even smaller, faster models like the YOLOv8s demonstrated high precision (AP@[.5:.05:.95] of 96.28%) and rapid processing times, with an average inference time of 70.6 ms. These results suggest that SWIR imaging combined with YOLO models is a viable approach for real-time industrial applications, particularly in the recycling of polymer waste scenarios. YOLO; SWIR; Object detection; Polymer

Department

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives