Utveckling och implementering av Computer-: Vision-System i ett gjuteri
2025 (Swedish)Independent thesis Basic level (professional degree), 10 credits / 15 HE credits
Student thesisAlternative title
Development and implementation of a Computer-Vision-System in a foundry (English)
Abstract [sv]
Detta examensarbete har utförts i samarbete med företaget Baettr Guldsmedshyttan AB, ett företag som tillverkar segjärnskomponenter till vindkraftverk. Syftet med examensarbetet har varit att undersöka möjligheten att utveckla ett AI-baserat visionsystem anpassat till företagets behov inom sandgjutningsprocessen för att effektivt detektera ytdefekter. I dagsläget sker denna kontroll manuellt genom visuell inspektion, vilket medför variation i bedömningen och ergonomiska utmaningar. Ett automatiserat visionsystem kan bidra till en jämnare och mer tillförlitlig kvalitetskontroll samt en förbättrad och hållbar arbetsmiljö. Arbetet har fokuserat på olika detekteringsmetoder inom visionsystem, där anomalidetektering, en teknik som identifierar avvikelser från normaldata valdes som metod. Genom att använda mjukvaran Anomalib, utvecklad av Intel, och en träningsmetod baserad på AI-modellen PatchCore kunde ett system tränas på att urskilja defekta ytor från de normala. Resultatet visade att metoden är lovande, särskilt vid detektering av tydliga defekter som sprickor, medan mer subtila avvikelser som damm och sandrester kräver större datavariation och resurser. Metoden visade sig också fungera vid analys av rörligt material, som video. Studien visade att AI-baserade visionsystem har potential att förbättra kvalitetskontrollen i gjutprocesser, men fortsatt arbete krävs. Det innefattar mer omfattande datainsamling, utvärdering av andra ytdefekter, undersökning av alternativa AI-modeller samt investeringar i hårdvara, vilka är viktiga steg mot en mer hållbar framtid inom industrin.
Abstract [en]
This thesis was conducted in a collaboration with Baettr Guldsmedshyttan AB, a company that manufactures ductile iron components for wind turbines. The purpose was to investigate the possibility of developing an AI-based vision system tailored to the company’s needs in the sandcasting process, with the goal of efficiently detecting surface defects. Currently, this inspection is done manually, leading to variation in assessment and ergonomic challenges. An automated vision system could provide more consistent and reliable quality control, while also contributing to a more sustainable work environment. The study focused on various detection approaches in computer vision, with anomaly detection being chosen as the primary method. This technique identifies deviations from normal data and was implemented using Intel’s Anomalib software and a training approach based on the AImodel PatchCore. The results indicate promising performance, especially for detecting distinct defects such as cracks, while more subtle anomalies like dust and sand residues require greater data variation and resources. The method also proved effective when analyzing moving material, such as video. The study concludes that AI-based vision systems hold significant potential for improving quality control in casting processes. However, further development is necessary, including more extensive data collection evaluation of additional defect types and AI models, and hardware investments, all of which are vital steps towards a more sustainable future in industrial manufacturing.
Place, publisher, year, edition, pages
2025. , p. 44
Keywords [en]
vision system, anomaly detection AI-model, quality control
Keywords [sv]
visionsystem, anomalidetektering, AI-modell, kvalitetskontroll
National Category
Mechanical Engineering
Identifiers
URN: urn:nbn:se:oru:diva-123910OAI: oai:DiVA.org:oru-123910DiVA, id: diva2:2000502
External cooperation
Baettr Guldsmedshyttan AB
Subject / course
Mechanical Engineering
Supervisors
Examiners
2025-09-242025-09-242025-09-26Bibliographically approved