Publikace detail

Detection of Polymer Thickness Based on the Degree of Their Transparency in SWIR Spectrum on Edge Computing Device

Autoři: Rais Vítek | Roleček Jiří | Doležel Petr | Kopecký Dušan

Rok: 2024

Druh publikace: článek ve sborníku

Název zdroje: 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)

Název nakladatele: Springer Science and Business Media

Místo vydání: neuvedeno

Strana od-do: 1-9

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte