Wyniki wyszukiwania - BazTech

1

Detekcja steganografii obrazowej z uzyciem prostych sieci neuronowych

Płachta Mikołaj, Janicki Artur

Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne

|

2022

|

nr 4

307--310

PL

W tym referacie poruszamy problem wykrywania danych ukrytych steganograficznie w plikach JPEG. Zostały przedstawione najpopularniejsze algorytmy służące do ukrywania informacji w obrazach, a następnie zostały omówione algorytmy służące do ekstrakcji cech z obrazów cyfrowych. Pokazane zostały metody opisane w literaturze bazujące na ekstrakcji cech DCTR, GFR oraz PHARM oraz sieciach neuronowych w architekturze Convolution-Batch- Normalization-Dense. Zostało zaproponowane nowe rozwiązanie z wykorzystaniem prostej sieci neuronowej, przeprowadzone zostały badania dokładności oraz innych metryk dla najlepszej konfiguracji sieci.

EN

In this paper we deal with the problem of detection steganographically hidden data in JPEG files. The most popular algorithms for hiding information in images are presented and next we discussed algorithms for extracting features from digital images. We presented the methods described in the literature, which are based on the extraction of DCTR, GFR and PHARM features and using neural networks in the Convolution-Batch-Normalization-Dense scheme. A new solution with a simple neural network was proposed and tested.

2

Użycie głębokich sieci neuronowych w wykrywaniu manipulacji materiałem wideo (DEEPFAKE)

Malik Adrian, Kasprzyk Rafał, Piotrowski Zbigniew

Elektronika : konstrukcje, technologie, zastosowania

|

2022

|

Vol. 63, Nr 8

28--30

PL

W artykule dokonano krótkiego przeglądu zagadnień z obszaru sztucznej inteligencji oraz omówiono architekturę głębokiej sieci neuronowej Meso-4 na podstawie, której wykonano projekt i implementację przy użyciu danych z konkursu Deepfake Detection Challenge. Przeprowadzono również eksperymenty wraz z opracowaniem wyników, z których można wnioskować, że jest możliwe wytrenowanie głębokiej sieci neuronowej zdolnej do rozpoznawania manipulacji wideo tzw. deepfake.

EN

This paper gives a brief overview of the field of artificial intelligence and discusses the architecture of the Meso-4 deep neural network on which the design and implementation was based, using data from the Deepfake Detection Challenge. Experiments were also conducted with the development of results from which it can be concluded that it is possible to train a deep neural network capable of recognising video manipulation (deepfake).

3

Diagnostyka nawierzchni drogowej przy zastosowaniu metod sieci neuronowych – studium przypadku

Jóźwiak Zuzanna, Pożarycki Andrzej, Górnaś Przemysław

Drogownictwo

|

2022

|

nr 2-3

65--72

PL

W artykule przedstawiono zastosowanie metody głębokiego uczenia maszynowego, wykorzystanej do jednego z zagadnień diagnostyki nawierzchni drogowej. Opisano techniki głębokiego uczenia maszynowego do rozpoznawania wybranej grupy uszkodzeń nawierzchni zarejestrowanych na obrazach cyfrowych. W ramach eksperymentu numerycznego porównano między sobą dwa modele powszechnie znane jako VGG16 i VGG19. Architektura sieci reprezentowana jest poprzez schemat połączeń charakterystyczny dla konwolucyjnych sieci neuronowych, które z założenia przeznaczone są na potrzeby identyfikacji obiektów na obrazach cyfrowych. Mimo wszystko źródłowa baza danych, znana pod angielską nazwą ImageNet, nie zawiera obrazów cyfrowych nawierzchni jezdni. W celu poszerzenia wiedzy w tym zakresie autorzy utworzyli bazę ortogonalnych obrazów cyfrowych nawierzchni jezdni i opisali jeden z możliwych scenariuszy wykorzystania tych narzędzi do zautomatyzowanej identyfikacji uproszczonej wersji wskaźnika stanu powierzchni.

EN

This paper presents the application of deep machine learning method used for one of the problems of road pavement diagnostics. Deep machine learning techniques for the recognition of a selected group of pavement surface defects observed in digital images are described. In a numerical experiment, two models commonly known as VGG16 and VGG19 were compared to each other. The network architecture is represented by a connection scheme characteristic of convolutional neural networks, which by design are intended for the purpose of identifying objects in digital images. Nevertheless, the source database known as ImageNet does not contain digital images of pavement surfaces. In order to extend the knowledge in this area, the authors created a database of orthogonal digital images of pavement surfaces and described one of the possible scenarios of using these tools for automated identification of a simplified version of the surface condition index.

4

Metoda detekcji wad spawalniczych w stanowisku zrobotyzowanym z wykorzystaniem głębokiej sieci neuronowej

Adamczak Arkadiusz

Pomiary Automatyka Robotyka

|

2021

|

R. 25, nr 1

67--72

PL

Współczesna automatyzacja i robotyzacja procesów produkcyjnych wymaga nowych i szybkich metod kontroli jakości produktu. W przypadku spawania łukowego w systemach zrobotyzowanych, gdzie proces produkcyjny przebiega wielkoseryjnie istotną rzeczą jest szybka kontrola poprawności wykonanego spawu. System w oparciu o dane wizualne powinien być zdolny automatycznie określić czy dana spoina spełnia podstawowe wymagania jakościowe a tym samym mieć możliwość zatrzymania procesu w razie zidentyfikowanych wad. W artykule przedstawiono wyniki badań nad stworzeniem wizyjnej metody oceny poprawności wykonanej spoiny w oparciu o głęboką sieć neuronową klasyfikującą, lokalizującą i segmentującą wady spawalnicze. Zaproponowana metoda detekcji została rozbudowana przez zastosowanie połączenia kamery systemu wizyjnego z sześcioosiowym robotem przemysłowym w celu umożliwienia detekcji większej liczby wad spawalniczych oraz pozycjonowania w sześciowymiarowej przestrzeni pracy. Przedstawione w artykule wyniki prac badawczych otrzymano podczas realizacji projektu „Opracowanie metody bazującej na zastosowaniu głębokich sieci neuronowych do inspekcji wizyjnej połączeń spawanych w toku prac B+R” realizowanego w zakładzie ZAP-Robotyka Sp. z o.o. w Ostrowie Wielkopolskim.

EN

Modern automation and robotization of production processes requires new and fast methods of product quality control. In the case of arc welding in robotic systems, where the production process takes place in large series, it is important to quickly control the correctness of the weld. Based on visual data, the system should be able to automatically determine whether a given weld meets the basic quality requirements, and thus be able to stop the process in the event of identified defects. The article presents the results of research on the creation of a visual method for assessing the correctness of the weld seam based on the deep neural network classifying, locating and segmenting welding defects. The proposed detection method was extended by using a combination of a vision system camera with a six-axis industrial robot in order to enable detection of a larger number of welding defects and positioning in a six-dimensional workspace. The research results presented in this article were obtained during the implementation of the project entitled „Development of a method based on the use of deep neural networks for visual inspection of welded joints in the course of R&D works” implemented at the company ZAP-Robotyka Sp. z o.o. in Ostrów Wielkopolski.

5

Głębokie sieci rekurencyjne i konwolucyjne w detekcji wad spawalniczych dla systemów z robotem przemysłowym

Adamczak Arkadiusz

Pomiary Automatyka Robotyka

|

2021

|

R. 25, nr 2

17--22

PL

Podczas procesów spawania metodą MIG/MAG w produkcji wielkoseryjnej na stanowiskach zrobotyzowanych, często wymagana jest automatyczna kontrola jakości wykonanego spawu. Określanie defektów spawalniczych jest trudne, a powód ich wystąpienia nie zawsze jest znany. Jednym z warunków poprawnie wykonanej spoiny jest stabilność podczas procesu spawania, co przekłada się na ciągłość i zwiększenie ogólnej wydajności produkcji. W artykule przedstawiono wyniki badań nad systemem detekcji defektów spoiny łączącego analizę i klasyfikację szeregów czasowych parametrów spawania dla metody MIG/MAG wraz z równoczesną analizą i klasyfikacją danych obrazowych spoiny dla systemów zrobotyzowanych. Wykorzystane zostały konstrukcje głębokich sieci neuronowych rekurencyjnych i konwolucyjnych. Przedstawiono również konstrukcję sieci neuronowej zawierającej dwa wejścia systemowe, umożliwiającej w jednym czasie klasyfikację zdjęcia spoiny wraz z szeregiem czasowym dla zastosowania w stanowisku zrobotyzowanym. Przedstawione wyniki prac badawczych otrzymano podczas realizacji projektu „Opracowanie metody bazującej na zastosowaniu głębokich sieci neuronowych do inspekcji wizyjnej połączeń spawanych w toku prac B+R” finansowanego z Wielkopolskiego Regionalnego Programu Operacyjnego na lata 2014–2020 i realizowanego w zakładzie ZAP-Robotyka Sp. z o.o. w Ostrowie Wielkopolskim.

EN

During MIG/MAG welding processes in large-scale production on robotic stations, automatic quality control of the weld is often required. Determining welding defects is difficult and the reason for their occurrence is not always known. One of the conditions for a correctly made weld is stability during the welding process, which translates into continuity and increase in overall production efficiency. The article presents the results of research on the creation of a weld defect detection system combining the analysis and classification of time series of welding parameters for the MIG/MAG method along with the simultaneous analysis and classification of weld image data for robotic systems. For this purpose, the structures of deep recursive and convolutional neural networks were used. The design of a neural network with two system inputs allowing for the classification of the weld photo together with the time series for use in a robotic station is also presented. The research results presented in this article were obtained during the implementation of the project entitled „Development of a method based on the use of deep neural networks for visual inspection of welded joints in the course of R&D works” implemented at the company ZAP-Robotyka Sp. z o.o. in Ostrów Wielkopolski.