Látórendszer fejlesztése DBC-k termikus tranziens mérésautomatizálásához teljesen konvolúciós mélytanulásos neurális hálók, képfeldolgozó algoritmusok és Fa-struktúrájú Parzen Becslő használatával
Vision system development for thermal transient measurement automation of DBCS using fully convolutional deep learning neural networks, image processing algorithms and tree-structured parzen estimator
Keywords:
neural network, measurement automation, t3ster, machine learning, vision system, /, neurális háló, mérésautomatizálás, T3Ster, gépi tanulás, látórendszerAbstract
T3Ster provides an opportunity for thermal examination and identification in field of automotive electronics. T3Ster measurements can be performed more economically and competitively with robotization, which requires a vision system. This paper presents the hardware selection and the artificial intelligence (AI) based software development of the vision system using fully convolutional networks (FCN) and machine learning (ML) algorithms.
Kivonat
A T3Ster egy olyan mérőeszköz, amely lehetőséget biztosít az autóipari elektronika területén a termikus tranziens tesztelésre és identifikációra. A T3Ster méréseket robotizációval gazdaságosabban és versenyképesebben lehet elvégezni, ehhez pedig látórendszer szükséges. Ez a cikk bemutatja a látórendszer hardverválasztását és a mesterséges intelligencia alapú szoftverfejlesztést, amely teljesen konvolúciós neurális hálókat és más gépi tanuláson alapuló algoritmusokat is használ.
References
***: Characterize the thermal properties of components. Simcenter Micred T3STER, https://plm.sw.siemens.com/en-US/simcenter/physical-testing/t3ster/ (Utolsó letöltés: 2023. 02. 27).
Bradski, G. The OpenCV Library. Dr. Dobb's Journal of Software Tools. 2000.
Paszke, A. et al. PyTorch: An Imperative Style, High-Performance Deep Learning Library. Advances in Neural Information Processing Systems 32. Curran Associates, Inc., 2019, 8024--8035.
Fabel D.: torchvision: Models, Datasets and Transformations for Images. Torchvision, https://torchvision.mlverse.org/ (Utolsó letöltés: 2023. 02. 27).
Akiba T., Sano S., Yanase T., Ohta T., Koyama M. Optuna: A Next-generation Hyperparameter Optimization Framework, Proceedings of the 25rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2019.
Drap P, Lefèvre J. An Exact Formula for Calculating Inverse Radial Lens Distortions. Sensors. 2016, 16(6), 807-824.
Békési G. MOSFET-ek és más elektronikai komponensek T3Ster mérésének automatizálása mesterséges intelligencia, neurális hálók és számítógépes látás segítségével. Tudományos Diákköri Konferencia. BME, 2021.
Guo Y., Liu Y., Georgiou T., Lew M. S. A review of semantic segmentation using deep neural networks, International Journal of Multimedia Information Retrieval, 2018. 7, 87-93.
Lateef F., Ruichek Y., Survey on semantic segmentation using deep learning techniques, Neurocomputing, 2019. 338, 321-348.
Li B., Shi Y., Qi Z., Chen Z. A Survey on Semantic Segmentation, IEEE International Conference on Data Mining Workshops (ICDMW), 2018. 1233-1240.
Agarap, A. F. Deep learning using rectified linear units (relu), 2018. arXiv preprint arXiv:1803.08375.
Kingma D. P., Ba J. Adam: A method for stochastic optimization, ICLR, 2015.
Li Y., Liu S., Li C., Zheng Y., Wei C., Liu B., Yang Y. Automated defect detection of insulated gate bipolar transistor based on computed laminography imaging, Microelectronics Reliability, 2020. 115.
Shi W., Lu Z., Wu W., Liu H. Single-shot detector with enriched semantics for PCB tiny defect detection, The Journal of Engineering, 2020. 13, 366-372.
Yang Z., Dong R., Xu H., Gu J. Instance Segmentation Method Based on Improved Mask R-CNN for the Stacked Electronic Components, Electronics, 2020. 9(6), 886-901.
Lian J., Wang L., Liu T., Ding X., Yu Z. Automatic visual inspection for printed circuit board via novel Mask R-CNN in smart city applications, Sustainable Energy Technologies and Assessments, 2021. 44.
Li D., Li C., Chen C., Zhao Z. Semantic Segmentation of a Printed Circuit Board for Component Recognition Based on Depth Images, Sensors, 2020. 20, 5318-5334.
