Projekti / Programi
MV4.0 - Podatkovno usmerjeno ogrodje za razvoj rešitev strojnega vida
| Koda |
Veda |
Področje |
Podpodročje |
| 2.07.00 |
Tehnika |
Računalništvo in informatika |
|
| Koda |
Veda |
Področje |
| 1.02 |
Naravoslovne vede |
Računalništvo in informatika |
Globoko učenje, strojni vid, Industrija 4.0, računalniški vid, nadzorovano učenje, nenadzorovano učenje, vizualno učenje, detekcija lege predmeta, vizualni pregled, detekcija površinskih napak, avtomatizacija, digitalizacija
Podatki za zadnjih 5 let (citati za zadnjih 10 let) na dan
09. december 2023;
A3 za obdobje
2017-2021
Podatki za razpise ARIS (
04.04.2019 - Programski razpis,
arhiv
)
| Baza |
Povezani zapisi |
Citati |
Čisti citati |
Povprečje čistih citatov |
| WoS |
161 |
7.509 |
7.181 |
44,6 |
| Scopus |
243 |
11.486 |
10.919 |
44,93 |
Raziskovalci (8)
| št. |
Evidenčna št. |
Ime in priimek |
Razisk. področje |
Vloga |
Obdobje |
Štev. publikacijŠtev. publikacij |
| 1. |
29381 |
dr. Luka Čehovin Zajc |
Računalništvo in informatika |
Raziskovalec |
2021 - 2023 |
117 |
| 2. |
55044 |
Matej Dobrevski |
Računalništvo in informatika |
Raziskovalec |
2021 - 2023 |
10 |
| 3. |
30155 |
dr. Matej Kristan |
Računalništvo in informatika |
Raziskovalec |
2021 - 2023 |
319 |
| 4. |
05896 |
dr. Aleš Leonardis |
Računalništvo in informatika |
Raziskovalec |
2021 - 2023 |
455 |
| 5. |
50843 |
Jon Natanael Muhovič |
Računalništvo in informatika |
Raziskovalec |
2021 - 2023 |
22 |
| 6. |
57319 |
Marko Rus |
Računalništvo in informatika |
Raziskovalec |
2022 - 2023 |
4 |
| 7. |
18198 |
dr. Danijel Skočaj |
Računalništvo in informatika |
Vodja |
2021 - 2023 |
294 |
| 8. |
34398 |
dr. Domen Tabernik |
Računalništvo in informatika |
Raziskovalec |
2021 - 2023 |
48 |
Organizacije (1)
Povzetek
Z uveljavljanjem paradigme Industrija 4.0 postajajo sistemi strojnega vida nepogrešljivi del sodobnih industrijskih proizvodnih linij. Omogočajo namreč digitalizacijo zaznavanja in zagotavljajo robustno pridobivanje vizualne informacije, ključne za procese odločanja. Glavni funkcionalni cilj predlaganega projekta je spremeniti način razvoja in uvajanja sistemov strojnega vida. Naš cilj je preusmeriti prevladujočo paradigmo ročnega razvoja specifičnih rešitev v smer načrtovanja in razvoja, temelječega na podatkih, ki bo omogočil bolj splošen, učinkovit, prilagodljiv in ekonomičen razvoj in vzdrževanje sistemov strojnega vida. Zato je glavni aplikativni cilj projekta razviti programsko ogrodje, ki bo omogočalo takšen razvoj s čim manjšim in nezahtevnim posredovanjem človeškega operaterja, kar bi zmanjšalo potrebo po ročnem zajemanju podatkov in označevanju, in sicer z avtomatizacijo celotnega postopka priprave podatkov in učenja modelov. Ta cilj zahteva reševanje številnih raziskovalnih problemov, kot so razvoj temeljnih metod globokega učenja in postopkov za iterativno, aktivno, robustno, šibko, samo- in ne-nadzorovano učenje ter učenje vizualnih modelov z malo primeri tako, da bodo modeli dosegli zahtevane rezultate z minimalnim številom (ročno označenih) učnih slik. Z izzivi se bomo spoprijeli iz treh smeri. (1) Razvili bomo postopek za avtomatizirano sintezo slik, dopolnjeno s prilagoditvijo sintetične domene v pravo za generiranje slik za učenje, s čimer bomo olajšali učinkovito nadzorovano učenje z neomejeno količino podatkov, ne da bi bilo za to potrebno obsežno človeško delo. (2) Razvili bomo tudi metode za učinkovito učenje iz omejene količine označenih podatkov z luščenjem splošnih vizualnih informacij, ki se uporabljajo za učenje z malo primeri. Učni podatki so v praksi pogosto šumni. Zato bomo razvili robustne in aktivne pristope učenja za filtriranje napak in za aktivno izbiranje učnih podatkov za označevanje, s čimer se bo dodatno zmanjšalo človeško delo. (3) Za problemske domene, v katerih so na voljo neoznačeni podatki, bomo razvili metode za nenadzorovano in samo-nadzorovano učenje brez oznak. Čeprav bodo razviti principi precej splošni, bomo svoje delo osredotočili specifično na področje industrijskega strojnega vida in sicer na dva zelo pogosta problema v industrijskih okoljih: (i) zaznavanje lege objektov v šestih prostostnih stopnjah v prostoru, kar je zelo pomembna naloga pri robotskih aplikacijah prijemanja, in (ii) odkrivanje površinskih napak, ki se pogosto pojavljajo v sistemih vizualnega pregledovanja. Tehnološke preboje razvitih metod bomo predstavili v končnem demonstratorju na zrelostni ravni tehnologije TRL 4. Pričakujemo, da bomo s predvidenimi raziskavami presegli trenutno najboljše metode. Razvite rešitve bodo imele poleg pomembnih znanstvenih prispevkov tudi pomembno uporabno vrednost. Glede na to, da so metode globokega učenja popolnoma prevladale na področju računalniškega vida, bodo na globokem učenju temelječe rešitve, neizogibno prevladale tudi v precej bolj konzervativnem sektorju strojnega vida. Zato je prilagoditev ponudnikov in razširitev njihove dejavnosti s takimi pristopi nujna in neizogibna. Ti pristopi pa zahtevajo in omogočajo drugačen postopek razvoja kot trenutni konvencionalni principi. V tem projektu bomo razvili prototip splošnega okvirja za hiter razvoj in uvajanje aplikacij strojnega vida, ki bo sledil novi paradigmi. Z uvajanjem slednje paradigme v svoj razvoj bodo ponudniki rešitev pridobili prednost na izredno konkurenčnem trgu. Ta projekt bo pripomogel k doseganju tega cilja.
