Pētījuma mērķis ir padarīt universālāku defektu detekciju caurspīdīgām tukšām stikla pudelēm, tādejādi padarot risinājumu ekonomiski pieejamāku, vieglāk uzstādāmu un neatkarīgāku no konkrētās ražotnes stikla taras defektu klāsta. Šobrīd tirgū esošās tehnoloģijas spēj analizēt tikai tādu defektu klāstu, kādam iekārtas ir apmācītas, tādējādi radot situāciju, ka sistēma tādu defektu, kuru nekad nav redzējusi, nespēs detektēt kā novirzi.

Šī pētījuma ietvaros izvirzītais mērķis ir inovatīva tukšās caurspīdīgās stikla taras defektu un anomāliju detekcijas pieeja, kas ir adaptējama plašam ražotāju un pudeļu veidu lokam ar akcentu uz iespēju samazināt nepieciešamību defektu analīzes sistēmu apmācīt un piemācīt noteiktam defektu klāstam. Mērķa sasniegšanai tiek izvirzītas šādas caurspīdīgās stikla taras defektu analīzes zonas:

• pudeles kakliņa zona skatā no augšas;
• pudeles kakliņa zona skatā no sāna 360 grādos;
• pudeles ķermeņa zona skatā no sāna 360 grādos;
• pudeles dibena zona skatā no sāna 360 grādos.

Mērķis ir atrast šo analīzes zonu defektu analīzes universālu pieeju, kas ļautu konkrēto zonu ietvaros detektēt arī tādus defektus, ko sistēma nekad nav redzējusi.

Pētījuma rezultāti: 

Pētījuma ietvaros tika sasniegti visi mērķi. Tika izstrādāta iekārtas konfigurācija, kas spētu nodrošināt caurspīdīgas taras kvalitātes kontroli un atrast gan defektus no sāna 360 grādos, gan no augšas. Šī konfigurācija tika notestēta arī praktiski, ievācot datus pētījumam.

Tika izpētīta neironu tīklu apmācīšanas metode, kas ļautu uztaisīt neironu tīklu, kas spētu atpazīt iepriekš neredzētus defektus, tā padarot viņu universālāku. Uz izvēlētām datu kopām tika sasniegta liela precizitāte (100% defektiem skatā no augšas, 99.99% defektiem skatā no sāna), kas parāda, ka pētāmā metode strādā.

Šai metodei tika atrasti vairāki mīnusi. Pirmkārt, apmācības laiks ir daudz lielāks, nekā parastas klasifikācijas neironu tīkla apmācības laiks, bet šī metode palīdz ieekonomēt vēl lielāku laiku uz datu kopas veidošanas rēķina. Otrkārt, lai izvēlēties pareizus parametrus one class classification algoritmiem, tomēr ir vajadzīga defektu datu kopa. Neskatoties uz to, ka defektu datu kopa šajā gadījumā var būt daudz mazāka, salīdzinot ar klasiskās klasifikācijas datu kopu, defektu datu vajadzība nav atrisināta līdz galam.