| Student: | Bram De Bleecker |
|---|---|
| Richting: | Master of Science in de industriële wetenschappen: informatica |
| Abstract: | ArcelorMittal produceert als één van de grootste staalproducenten ter wereld, dagelijks honderden stalen coils. Het verplaatsen van zo een coil tijdens het productieproces gebeurt aan de hand van een hef en translatie beweging. Soms loopt dit echter fout en dan is het van uitermate belang om dit zo snel mogelijk op te lossen om tijd en geld te besparen. Deze thesis stelt een methode voor die aan de hand van deeplearning technieken in staat is om vreemde bewegingen bij de transportatie te detecteren. De voorgestelde methode bestaat uit 2 delen, object segmentatie en anomalie detectie. Voor de object segmentatie werd een DeepLabV3 segmentatie netwerk gecreëerd dat in staat is om de coils accuraat te detecteren. De anomaly detectie gebeurt aan de hand van een convolutioneel Long-Short Term Memory (LSTM) Autoencoder netwerk. Uit tests is gebleken dat men door beide netwerken te combineren in staat is om vreemde bewegingen bij coils te detecteren. |
| Abstract (Eng): | As one of the largest steel producers in the world, ArcelorMittal produces hundreds of steel coils every day. Moving such a coil during the production process is done by means of a lifting and translation movement. However, sometimes this goes wrong and it is extremely important to solve this as soon as possible to save time and money. This thesis proposes a method that is able to detect irregular coil movements by making use of deep learning techniques. The proposed method consists of 2 parts, object segmentation and anomaly detection. For the object segmentation, a DeepLabV3 segmentation network was created which is able to accurately detect the coils. The anomaly detection is done using a convolutional Long-Short Term Memory (LSTM) Autoencoder network. Tests have shown that by combining both networks, it is possible to detect strange movements in coils. |