Обсяг магістерської дисертації складає 86 сторінок в 5 розділах, та містить 35 джерел літератури, 36 малюнки, 25 таблиць.
Мета роботи: створити систему, що буде розпізнавати 4 класи матеріалу використовуючи температурні профілі об’єктів, отримані шляхом лазерного нагріву зразків.
Завдання роботи:
1. Виконати літературний огляд за темою дослідження.
2. Провести аналіз існуючих методів визначення типу матеріалу.
3. Розробка системи для класифікації типу матеріалу.
4. Проаналізувати результати експериментальних досліджень.
Об’єкт дослідження: процес лазерного нагріву об’єктів різних матеріалів.
Предмет дослідження: методи автоматизованої класифікації типу матеріалу.
В даній роботі було проаналізовано проблеми визначення характеристик невідомих об’єктів в телеопераційних задачах та запропоновано безконтактний підхід на основі активного теплового неруйнівного методу та використанні технологій нейронних мереж для класифікації.
Отримані результати підтверджують, що створена система здатна оцінити матеріал зразка по зчитаному температурному профілю його поверхні. Лазерне джерело нагріває поверхню об’єкта, у той час інфрачервона камера фіксує його температурний профіль та передає дані в алгоритм на основі нейронної мережі для класифікації.
Керівник: ст. в., д.ф. Момот А.С.
Повний текст дисертації (.pdf)
Повний перелік магістерських дисертацій
Перелік літературних посилань
1. Wang Q, Li P, Zuo W, et al. RAID-G: robust estimation of approximate infinite dimensional gaussian with application to material recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition; 2016 Jun; Las Vegas. pp. 4433–4441.
2. Brandao M, Shiguematsu YM, Hashimoto K, et al. Material recognition CNNs and hierarchical planning for biped robot locomotion on slippery terrain. Proceedings of the IEEE-RAS 16th International Conference on Humanoid Robots (Humanoids); 2016 Nov; Cancun. pp. 81–88.
3. Shirmohammadi S, Ferrero A. Camera as the instrument: the rising trend of vision based measurement. IEEE Instrum Meas Mag. 2014 Jun;17(3):41–47.
4. Roy N, Dudek G, Freedman P. Surface sensing and classification for efficient mobile robot navigation. Proc. IEEE int. conf. robot. autom. (ICRA). 2. 1996. p. 1224–8.
5. Edwards J, Lawry J, Rossiter J, Melhuish C. Extracting textural features from tactile sensors. Bioinspir Biomim 2008;3(3):035002.
6. Johnsson M, Balkenius C. Sense of touch in robots with self-organizing maps. IEEE Trans Rob (T-RO) 2011;27(3):498–507.
7. Christie J, Kottege N. Acoustics based terrain classification for legged robots, Proceedings of the IEEE International Conference on Robotics and Automation (ICRA); 2016 May; Stockholm. pp. 3596–3603.
8. Windau J, Shen W-M. An inertia-based surface identification system. Proc. IEEE int. conf. robot. autom. (ICRA). 2010. p. 2330–5.
9. Drimus A, Kootstra G, Bilberg A, Kragic D. Design of a flexible tactile sensor for classification of rigid and deformable objects. Rob Auto Syst 2014;62(1):3–15.
10. Sangpradit K, Liu H, Dasgupta P, Althoefer K, Seneviratne LD. Finite-element modeling of soft tissue rolling indentation. IEEE Trans Biom Eng 2011;58(12):3319–27.
11. Strese M, Schuwerk C, Iepure A, et al. Multimodal feature-based surface material classification. IEEE Trans Haptics. 2017 Apr./Jun;10(2):226–239.
12. А. О. Абрамович, І. С. Каширський, В. О. Піддубний. Дистанційна вихорострумова аналіза складу металевих об’єктів. Metallofiz. Noveishie Tekhnol. 2017, т. 39, № 8, сс. 1035–1049.
13. Живкович А. В. Современные технологии бесконтактного измерения температуры / А. В. Живкович, А. В. Муравьёв // Материалы XVI Международной научно-практической конференции «Динамика научных исследований - 2020», 07-15 июля 2020, Пшемысль, Польша. – Przemyśl: Nauka i studia, 2020. – Vol. 7. – С. 110-115.
14. Сторожик Д. В. Комплексування мультиспектральних зображень, як метод підвищення їх інформативності при бінарній сегментації / Д. В. Сторожик, О. В. Муравйов, А. Г. Протасов, В. Г. Баженов, Г. А. Богдан // Наукові вісті КПІ. – 2020. № 2. – С. 82-87.
15. Муравйов О. В. Автоматизація методу термографічної діагностики патологій організму людини / О. В. Муравйов, В. Ф. Петрик, Ю. Ю. Лисенко, Г. А. Богдан, А. В. Наконечная // Таврійський науковий вісник. Серія: Технічні науки. – 2022. – №1. – С. 47-53.
16. Pech-May NW, Wilbur N, Mendioroz A, et al. Simultaneous measurement of the in-plane and in-depth thermal diffusivity of solids using pulsed infrared thermography with focused illumination. NDT & E Inter. 2016;77(1):28–34.
17. Usamentiaga R, Venegas P, Guerediaga J, et al. Infrared thermography for temperature measurement and non-destructive testing. Sensors. 2014;14(7):12305–12348.
18. A. B. Ionov. Metrological problems of pyrometry: an analysis and the prospects for solving them. Measurement Techniques, Vol. 56, No. 6, September, 2013.
19. Кучеренко О. К. Ахроматизація та атермалізація об'єктивів інфрачервоної техніки / О. К. Кучеренко, О. В. Муравйов, В. М. Тягур // Наукові вісті НТУУ «КПІ». – 2012. – вип. №5. – С. 114-117.
20. Муравьёв А. В. Композиции атермализованных трехкомпонентных инфракрасных объективов / А. В. Муравьёв, О. К. Кучеренко // Наука и техника. – 2015. – № 4. – С. 32-37.
21. Momot A. Deep learning automated data analysis of security infrared cameras / A. Momot, I. Skladchykov // Slovak international scientific journal. – 2021. – №52. – pp. 13–16.
22. Daniel Westreich, Justin Lessler, Michele Jonsson Funk. Propensity score estimation: neural networks, support vector machines, decision trees (CART), and meta-classifiers as alternatives to logistic regression. Journal of Clinical Epidemiology 63 (2010).
23. Галаган Р.М. Тестування нейромережевих модулів системи теплової дефектометрії за допомогою імітаційного моделювання / [Р. М. Галаган, А. С. Момот, А. Г. Протасов та ін.]. // Вчені записки ТНУ імені В.І. Вернадського. Серія: Технічні науки. – 2022. – №6. – С. 49–55.
24. Momot A. The use of EfficientNet models in infrared image classification / A. Momot, I. Skladchykov // XXI Міжнародна науково-технічна конференція «Приладобудування: стан і перспективи», 17-18 травня 2022 року, КПІ ім. Ігоря Сікорського, Київ, Україна : збірник матеріалів конференції. – Київ : КПІ ім. Ігоря Сікорського, 2022. – С. 204-207.
25. Daniel Svozil, Vladimir Kvasnicka, Jiri Pospichal. Introduction to multi-layer feed-forward neural networks. Chemometrics and Intelligent Laboratory Systems 39 (1997) 43-62.
26. Jinming Zou, Yi Han, Sung-Sau So. Overview of Artificial Neural Networks. Methods in Molecular Biology, volume 458:14-22.
27. Momot A. Automation of ultrasound breast cancer images classification using deep neural networks / A. Momot, R. Galagan, M. Zaboluieva // Sciences of Europe. – 2022. – №96. – pp. 38–41.
28. Momot A. Deep Learning Automated System for Thermal Defectometry of Multilayer Materials / A. Momot, R. Galagan, V. Gluhovskii. // Devices and Methods of Measurements. – 2021. – №12. – pp. 98–107.
29. Pritika Bahad, Preeti Saxena, Raj Kamal. Fake News Detection using Bi-directional LSTM-Recurrent Neural Network. Devi Ahilya University, Indore, 452001, India.
30. Keiron O’Shea, Ryan Nash. An Introduction to Convolutional Neural Networks. Department of Computer Science, Aberystwyth University, Ceredigion, SY23 3DB.
31. Patrice Y. Simard, Dave Steinkraus, John C. Platt. Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis. Microsoft Research, One Microsoft Way, Redmond WA 98052.
32. Nal Kalchbrenner, Edward Grefenstette, Phil Blunsom. A Convolutional Neural Network for Modelling Sentences. Department of Computer Science University of Oxford.
33. Rikiya Yamashita, Mizuho Nishio, Richard Kinh Gian Do, Kaori Togashi. Convolutional neural networks: an overview and application in radiology. Insights into Imaging volume 9 (2018), 611–629.
34. Розроблення стартап-проекту [Електронний ресурс] : Методичні рекомендації до виконання розділу магістерських дисертацій для студентів інженерних спеціальностей / За заг. ред. О.А. Гавриша. – Київ : НТУУ «КПІ», 2016. – 28 с.
35. Гавриш, О. А. Розробка стартап-проектів. Конспект лекцій [Електронний ресурс] : навчальний посібник для студентів спеціальностей 151 – «Автоматизація та комп’ютерно-інтегровані технології» та 152 – «Метрологія та інформаційно-вимірювальна техніка» / О. А. Гавриш, К. О. Бояринова, К. О. Копішинська ; КПІ ім. Ігоря Сікорського. – Електронні текстові данні (1 файл: 2,88 Мбайт). – Київ : КПІ ім. Ігоря Сікорського, 2019. – 188 с. – Назва з екрана.
