Implementation of Optical Draw-In Measurement System in an Automotive Press Line: Machine Learning and Computer Vision
Translated title
Implementation of Optical Draw-In Measurement System in an Automotive Press Line
Author
Semenyuk, Yaroslav
Term
4. term
Education
Publication year
2024
Submitted on
2024-05-31
Pages
58
Abstract
For at fremme produktpersonalisering, klimamål og sikkerhed investerer Volvo i nye teknologier. En VT4-studerende ved Aalborg Universitet har med en struktureret udviklingsproces og produktarkitektur designet og implementeret et visionsbaseret maskinlæringssystem – et computersystem, der bruger billeder til at lære og genkende mønstre. Systemet skal hjælpe med kvalitetskontrol i produktionen og samtidig indsamle data til videre forskning. Parallelt undersøges det, om den såkaldte draw-in af metalplader under aktiv produktion kan estimeres ud fra målinger af flanger (kantområder på emnet). Rapporten beskriver implementeringen af U‑Net og YOLOv8, to udbredte modeller til billedanalyse, og afprøvning af U‑Net på en NVIDIA Jetson‑Orin Nano edge-enhed (en kompakt computer, der kører AI tæt på udstyret). Resultatet er et modulært produkt, der kan understøtte kvalitetskontrol i produktionen. Der er dog kun begrænset evidens for, at draw-in kan estimeres pålideligt ud fra flange-målinger.
To support product personalization, climate goals, and safety, Volvo invests in new technologies. Using a structured development process and product architecture, a VT4 student at Aalborg University designed and implemented a vision-based machine learning system—computer software that uses images to learn and recognize patterns. The system is intended to assist production quality control and collect data for further research. In parallel, the student investigates whether metal sheet draw-in during active production can be estimated from flange measurements (at the edge of the part). The report details the implementation of U‑Net and YOLOv8, two widely used models for image analysis, and the deployment and testing of U‑Net on an NVIDIA Jetson‑Orin Nano edge device (a compact computer that runs AI close to the equipment). The outcome is a modular product that can support production quality control, but there is only limited evidence that draw-in can be reliably estimated from flange measurements.
[This summary has been rewritten with the help of AI based on the project's original abstract]
Documents