Skip to main content

LUP Student Papers

LUND UNIVERSITY LIBRARIES

Analysing information content in images of paper straws using image processing, machine learning and deep learning

Blomberg, Ammie LU (2022) In Master's Theses in Mathematical Sciences FMSM01 20221
Mathematical Statistics
Abstract
Continuous production control is important for the production using Tetra Pak equipment, as problems that are found early in the chain of production can minimize the need for waste greatly. In production of paper straws, a possible production control could be to photograph straws during production, analyse these and predict how good the straw is, using the image. If the predicted performance of the straws are steadily decreasing, production can be stopped and control parameters tuned in order to get back to peak performance.

The task described above is built on the assumption that there is information about how good a paper straw is, in a picture. This thesis has the intention of showing whether images alone can be used for production... (More)
Continuous production control is important for the production using Tetra Pak equipment, as problems that are found early in the chain of production can minimize the need for waste greatly. In production of paper straws, a possible production control could be to photograph straws during production, analyse these and predict how good the straw is, using the image. If the predicted performance of the straws are steadily decreasing, production can be stopped and control parameters tuned in order to get back to peak performance.

The task described above is built on the assumption that there is information about how good a paper straw is, in a picture. This thesis has the intention of showing whether images alone can be used for production control. Methods such as image processing and the classical machine learning algorithm Random forest regressor will be compared to, and used together with, a deep learning option, Convolutional Autoencoders.

The results show that an approximate maximum of 10% of the variations in open- ing force can be explained by the information in the photographs. Best performing was the autoencoder, quite closely followed by image processing at just under 10% of variations explained.

The suggested improvements are many, but can be divided into two categories: further improvements of the models and information extraction, and improvements to increase predictability overall. In the first category, the inclusions of more sam- ples, trying out other models beside Random forest regressor, and examining other network architectures for the autoencoder, are some of the advised options. In the second category, parameters that are deemed important but that cannot be seen in figures are recommended to be added to the data set. These parameters may include details on the glue used to seal the paper straw, or some sort of measure on how sharp the knifes that cut the straw are, to mention two examples. (Less)
Popular Abstract (Swedish)
Papperssugrör kan förhoppningsvis ersätta dagens plastsugrör på mindre dryckesförpackningar, för att minska engångsanvändningen av plast över hela världen. Tetra Pak producerar sina egna papperssugrör i Lund, och undersöker möjligheten att övervaka produktionen med hjälp av bilder på de producerade sugrören. I detta arbete ligger fokus på styrkan hos tippen på sugröret, och vilken kraft som behövs för att trycka igenom barriären på medföljande förpackning, och komma ner till drycken.

Att bestämma vilken kraft som behövs är svårt, och att komma fram till vad det i bilderna som är viktigt att analysera är en komplicerad uppgift. Om man kan använda artificiell intelligens hoppas man att modellen ska lista ut vad som är viktigt, och sedan... (More)
Papperssugrör kan förhoppningsvis ersätta dagens plastsugrör på mindre dryckesförpackningar, för att minska engångsanvändningen av plast över hela världen. Tetra Pak producerar sina egna papperssugrör i Lund, och undersöker möjligheten att övervaka produktionen med hjälp av bilder på de producerade sugrören. I detta arbete ligger fokus på styrkan hos tippen på sugröret, och vilken kraft som behövs för att trycka igenom barriären på medföljande förpackning, och komma ner till drycken.

Att bestämma vilken kraft som behövs är svårt, och att komma fram till vad det i bilderna som är viktigt att analysera är en komplicerad uppgift. Om man kan använda artificiell intelligens hoppas man att modellen ska lista ut vad som är viktigt, och sedan kunna berätta för oss vad dessa saker är. Den artificiella intelligensen hoppas också kunna analysera bilder som annars är väldigt svåra att analysera med bildanalys: bilder med olika mycket ljus i, eller bilder där sugrören är roterade på ett konstigt sätt.

320 sugrör fotograferades från två olika håll, och sattes även i en maskin för att mäta vilken kraft som behövs för att trycka igenom barriären. Den uppmätta kraften var kring fem till femton Newton. Fem Newton är ungefär tyngden av ett salladshuvud, och femton Newton är tyngden av en förpackning med 1.5 L mjölk.

De två metoder som jämförs med varandra är bildanalys, som är en väl vedertagen metod för att få ut information ur bilder, och autoencoders, som är en deep learning-metod för att finna komplexa strukturer i data, och komprimera data. Bildanalysen extraherar mätvärden ur bilderna på sugrören, som till exempel hur brett sugröret är, eller vilken vinkel det är klippt med. Den artificiella intelligensen gör ungefär samma sak, men det är inte tydligt vad i bilden på sugröret som den tycker är viktigt. Dessa mätvärden, eller parametrar, används sedan i en maskininlärningsalgoritm som heter Random forest regressor, för att försöka prediktera vilken kraft som behövs för att komma igenom förpackningen.

Resultaten är snarlika för de båda metoderna, de kan båda förklara ungefär 10\% av variationen i den funna kraften. De åtgärder som rekommenderas är att samla in annan data om sugrören som man kan tänka är viktigt, och kombinera detta med den datan man får ut av bilderna. En annan åtgärd är att samla ihop betydligt fler sugrör att göra analysen på. Deep learning kräver mycket data, och de 320 sugrören som användes skulle nog egentligen behöva vara 1'000 stycken sugrör, gärna ännu fler!

Även om de båda modellerna bara kan förklara 10\% av variationen är det ett bra resultat - det belyser att detta är ett komplicerat problem, och att det kräver insatser för att kunna prediktera kraften på ett robust sätt. Inget som är värt att ha kommer gratis! (Less)
Please use this url to cite or link to this publication:
author
Blomberg, Ammie LU
supervisor
organization
course
FMSM01 20221
year
type
H2 - Master's Degree (Two Years)
subject
publication/series
Master's Theses in Mathematical Sciences
report number
LUTFMS-3459-2022
ISSN
1404-6342
other publication id
2022:E71
language
English
id
9098667
date added to LUP
2022-09-27 10:31:42
date last changed
2022-10-06 16:43:29
@misc{9098667,
  abstract     = {{Continuous production control is important for the production using Tetra Pak equipment, as problems that are found early in the chain of production can minimize the need for waste greatly. In production of paper straws, a possible production control could be to photograph straws during production, analyse these and predict how good the straw is, using the image. If the predicted performance of the straws are steadily decreasing, production can be stopped and control parameters tuned in order to get back to peak performance.

The task described above is built on the assumption that there is information about how good a paper straw is, in a picture. This thesis has the intention of showing whether images alone can be used for production control. Methods such as image processing and the classical machine learning algorithm Random forest regressor will be compared to, and used together with, a deep learning option, Convolutional Autoencoders.

The results show that an approximate maximum of 10% of the variations in open- ing force can be explained by the information in the photographs. Best performing was the autoencoder, quite closely followed by image processing at just under 10% of variations explained.

The suggested improvements are many, but can be divided into two categories: further improvements of the models and information extraction, and improvements to increase predictability overall. In the first category, the inclusions of more sam- ples, trying out other models beside Random forest regressor, and examining other network architectures for the autoencoder, are some of the advised options. In the second category, parameters that are deemed important but that cannot be seen in figures are recommended to be added to the data set. These parameters may include details on the glue used to seal the paper straw, or some sort of measure on how sharp the knifes that cut the straw are, to mention two examples.}},
  author       = {{Blomberg, Ammie}},
  issn         = {{1404-6342}},
  language     = {{eng}},
  note         = {{Student Paper}},
  series       = {{Master's Theses in Mathematical Sciences}},
  title        = {{Analysing information content in images of paper straws using image processing, machine learning and deep learning}},
  year         = {{2022}},
}