Tietojenkäsittelytieteen alaan kuuluva väitöskirja tarkastetaan luonnontieteiden, metsätieteiden ja tekniikan tiedekunnassa Kuopion kampuksella. Tilaisuutta voi seurata myös verkossa.
Mikä on väitöstutkimuksesi aihe? Miksi aihepiiriä on tärkeää tutkia?
Väitöstutkimukseni keskittyy uusien uraauurtavien menetelmien kehittämiseen ja optimointiin erilaisten tuotepintojen vikojen havaitsemiseksi, luokittelemiseksi ja segmentoimiseksi aivan uusia kehittyneitä syväoppivia hermoverkkoarkkitehtuureja käyttäen. Työssä esitetyt hermoverkkoarkkitehtuurit ovat aivan uusia. Työ keskittyy kevyiden hermoverkkomallien suunnitteluun, jotka on räätälöity reaaliaikaisiin teollisiin sovelluksiin. Ensisijainen tavoite on tehdä näistä malleista tehokkaita, tarkkoja ja laskennallisesti edullisia. Tämän tueksi työssä on kehitetty aineiston merkityistä kuvista, jotka tuovat esiin puupintojen vikoja ja jotka toimivat pohjana ehdotettujen menetelmien koulutukselle ja arvioinnille.
Mitkä ovat väitöstutkimuksesi keskeiset tulokset tai havainnot?
Tutkimukseni merkittävä panos tiedeyhteisölle on aivan uusien tehokkaiden syväoppivien neuroverkkojen esittäminen sekä ainutlaatuisen aineiston luominen, joka sisältää merkittyjä kuvia puun pintavioista. Tämä tietojoukko ei ainoastaan tasoita tietä vikojen havaitsemiselle, vaan myös rohkaisee laajempaan tutkimiseen liittyvillä aloilla. Olen ottanut käyttöön kevyitä hermoverkkomalleja, jotka on räätälöity tosielämän teolliseen käyttöön. Nämä mallit tasapainottavat laskennan tehokkuutta ja kestävyyttä, mikä on ratkaisevan tärkeää reaaliaikaisissa sovelluksissa erilaisissa tuotantoympäristöissä.
Väitöskirjan keskeinen läpimurto on tarkkuuden samanaikainen parantaminen ilman kierteisiä laskentavaatimuksia. Laajemman yleisön ja teollisuuden kannalta vaikutukset ovat syvällisiä. Tehokas vikojen havaitseminen johtaa korkealaatuisiin tuotteisiin eri aloilla, kuten puu-, tekstiili- ja autoteollisuudessa, mikä edistää korkeampia turvallisuusstandardeja, vähentää jätettä ja mahdollistaa kustannussäästöjä kaikille osapuolille.
Miten väitöstutkimuksesi tuloksia voidaan hyödyntää käytännössä?
Väitöstutkimuksen tuloksia hyödynnetään jo parhaillaan eräässä puualan yrityksessä, sen kolmella eri tuotantolinjalla. Siellä työssä kehitetty järjestelmä vähentää virhekustannuksia ja parantaa lopputuotteiden laatua.
Mitkä ovat väitöstutkimuksesi keskeiset tutkimusmenetelmät ja -aineistot?
Tohtoritutkimukseni prosessi keskittyi teollisuuden laadunvalvontasektorin tunnistettuun tarpeeseen reaaliaikaiseen vikojen havaitsemiseen ja segmentointiin. Tämä oli erityisen tärkeää automatisoiduille tuotantolinjoille teollisuudenaloilla, kuten puu-, tekstiili-, lääke- ja autoteollisuudessa. Merkittävä askel oli tietojoukon luominen, joka on täynnä merkittyjä kuvia puun pintavioista. Nämä kuvat olivat kriittisiä syvän hermoverkkomallien koulutuksessa ja jalostuksessa.
Keskeisten tutkimusmenetelmien osalta tutkin konvoluutiohermoverkkoja (CNN) ja erikoistuin tekniikoihin, kuten syvyyserottuviin ja pistesuuntaisiin konvoluutioihin. Vian segmentoinnin ratkaisemiseksi käytin CNN:itä kooderi-dekooderikehyksessä. Tässä asetuksessa enkooderi kaappaa kuvan kontekstuaaliset tiedot, ja dekooderi käyttää tätä virheiden tunnistamiseen. Malleille suoritettiin koulutus, validointi ja iteratiiviset säädöt halutun suorituskyvyn ja tehokkuuden saavuttamiseksi. Testaus suoritettiin teollisuusympäristön kaltaisissa olosuhteissa käytännön soveltamisen varmistamiseksi. Tutkimukseni pääasiallinen tukimateriaali oli puupintojen puutteita osoittavien leimattujen kuvien aineisto. Tämä tietojoukko ei ollut vain koulutusväline, vaan myös mittari hermoverkon tehokkuuden arvioimiseksi.
FM Mazhar Mohsinin tietojenkäsittelytieteen alaan kuuluva väitöskirja Deep learning based real-time defect detection, classification, and segmentation methods for industrial quality control (Syväoppimiseen perustuvat reaaliaikaiset vikahavainnointi-, luokittelu- ja segmentointimenetelmät teolliseen laadunvalvontaan) tarkastetaan luonnontieteiden, metsätieteiden ja tekniikan tiedekunnassa, Kuopion kampuksella. Vastaväittäjänä toimii apulaisprofessori Miguel Bordallo López, Oulun yliopisto ja kustoksena professori Pekka Toivanen, Itä-Suomen yliopisto. Tilaisuuden kieli on englanti.
Lisätietoja:
Mazhar Mohsin, mazhar.mohsin@uef.fi, p. 040 836 8023
- Väitöstilaisuus
- Väitöskirja (PDF)
- Kuva
