Towards Automated Parts Recognition in Manufacturing with Synthetic Data
Tid: Ti 2025-12-09 kl 13.00
Plats: Kollegiesalen, Brinellvägen 8, Stockholm
Videolänk: https://kth-se.zoom.us/j/62913476523
Språk: Engelska
Respondent: Xiaomeng Zhu , Robotik, perception och lärande, RPL
Opponent: Professor Tomohiko Sakao, Linköping University, Linköping, Sweden
Handledare: Professor Atsuto Maki, Robotik, perception och lärande, RPL; Professor Mårten Björkman, Robotik, perception och lärande, RPL; Doctor Pär Mårtensson, Scania CV AB, Sweden; Professor Lars Hanson, University of Skövde, Skövde, Sweden
QC 20251112
Abstract
Denna avhandling bidrar till förståelsen och tillämpningen av syntetisk data för igenkänning av tillverkningskomponenter. Visionsbaserade inspektionssystem inom industrin är starkt beroende av verkliga bilddata, vilka är kostsamma att samla in, annotera och anpassa mellan olika produkter och miljöer. För att hantera dessa utmaningar presenterar arbetet en systematisk undersökning av hur syntetisk data effektivt kan genereras, utvärderas och tillämpas för robust och skalbar prestanda. Forskningen introducerar en serie nya industriella benchmark-datamängder som täcker flera användningsfall och fabriksmiljöer: SIP-17, SIP15-OD ochSIP2A-OD, för att möjliggöra en enhetlig utvärdering av sim-to-real-överföring inom klassificerings- och detektionsuppgifter. Med utgångspunkt i dessa datamängder utvecklas en domain randomizationpipeline som systematiskt undersöker effekterna av renderingsparametrar, materialvariation och belysning på modellens generaliseringsförmåga. För att ytterligare automatisera datagenereringen föreslås Synthetic Active Learning (SAL), ett slutet ramverk som identifierar modellens svagheter och adaptivt förfinar den syntetiska datagenereringen utan att kräva verkliga prover eller manuell justering. Experiment över benchmark-datamängderna visar att de föreslagna metoderna förbättrar modellens robusthet jämfört med befintliga tillvägagångssätt, samtidigt som behovet av manuell annotering minskar. Sammantaget ger dessa bidrag nya insikter i hur syntetisk data systematiskt kan utnyttjas för att bygga dataeffektiva, automatiserade och tillförlitliga visionssystem för tillverkningsindustrin, med målet att stödja utvecklingen av framtida intelligenta och flexibla produktionssystem.