Visuell kvalitetskontroll med djupa neurala nätverk och inlärning med få exempel: utvärderingar på en produktionslinje

Having a well representative and adequate amount of data samples plays an important role in the success of deep learning algorithms used for image recognition. On the other hand, collecting and manually labeling a large-scale dataset requires a great deal of human interaction which in turn is very timeconsuming. In this thesis project, we explore the possibilities of new deeplearning approaches used for image recognition that do not require a big amount of data. Since Few-Shot Learning (FSL) models are known to be the most promising approach to tackle the problem of not having an adequate dataset, a hand full of the state-of-the-art algorithms based on FSL approach such as Model-Agnostic Meta-Learning (MAML), Prototypical Networks (ProtoNet), Relation Networks (RelationNet), Baseline, and Baseline++ are implemented and analyzed. These models are used to classify a series of issues for the automation of the visual quality inspection in a production line. Moreover, the performance of the deeper networks in comparison to the shallower networks is explored. Our experiment results on the available dataset show that the Baseline++ model has the best performance among the other models. Furthermore, Baseline++ with a six-layer convolutional network as a feature backbone is a relatively simple model to train that does not require a high computational power compared to the other models.Inom maskininlärning spelar tillgången till en bra och lämplig mängd data en viktig roll i framgången för djupa inlärningsalgoritmer som används för bildigenkänning. Insamling och manuell märkning av ett storskaligt dataset kräver däremot en hel del mänsklig interaktion som är mycket tidskrävande. I detta examensarbete undersöker vi möjligheterna med nya djupinlärningsmetoder som används för bildigenkänning som inte kräver ett storskaligt dataset. Eftersom Few-Shot Learning (FSL) modeller är kända för att vara den mest lovande metoden för att hantera problemet med att inte ha ett tillräckligt dataset, implementerar och analyserar vi några av de senaste modellerna baserad på FSL, såsom: Model-Agnostic Meta-Learning (MAML), PrototypicalNetworks (ProtoNet), Relation Networks (RelationNet), Baseline, och Baseline++. Dessa modeller används för att klassificera en rad olika defekta produkter för automatisering av den visuella kvalitetskontrollen i en produktionslinje. Vidare undersöks även de djupare nätverkens prestanda i jämförelse med de grundare nätverken. Experimentresultaten på det tillgängliga datasetet visar att Baseline++ modellen har bäst prestanda bland de olika modellerna. Dessutom är Baseline++ med ett sex-lagers faltningsnätverk, en relativt enkel modell att träna som inte kräver en hög beräkningskraft jämfört med de andra modellerna