SortScrews: A Dataset and Baseline for Real-time Screw Classification

Deze paper introduceert SortScrews, een dataset en baseline voor het real-time classificeren van schroeven in geautomatiseerde systemen, waarbij wordt aangetoond dat lichtgewicht modellen ook met een beperkte dataset hoge nauwkeurigheid bereiken onder gecontroleerde omstandigheden.

De kern

SortScrews: De "Schaakbord" voor Schroeven

Stel je voor dat je een enorme doos met Lego-blokjes hebt, maar in plaats van gekleurd plastic, zitten er duizenden schroeven, bouten en moeren in. Voor een mens is het makkelijk om te zien welke schroef je nodig hebt: "Die is lang en plat," of "Die is kort en rond." Maar voor een robot of een computer is dit een nachtmerrie. Voor een camera zien twee schroeven die slechts 2 millimeter van elkaar verschillen, vaak precies hetzelfde uit.

Dit is het probleem dat SortScrews probeert op te lossen. Het is een technisch rapport over een nieuw hulpmiddel om robots te leren schroeven te herkennen, alsof je een kind leert de verschillen tussen een appel en een peer te zien, maar dan met metalen schroeven.

Hier is hoe het werkt, vertaald naar alledaags taal:

1. Het Probleem: De "Naald in de Hooiberg"

In de fabriek moeten robots vaak duizenden schroeven sorteren. Maar er is een groot probleem: er zijn geen goede "leerboeken" (datasets) voor computers om dit te leren. Bestaande boeken bevatten vaak miljoenen foto's van katten en auto's, maar geen enkele foto van een specifieke schroef. Het is alsof je iemand wilt leren auto's te repareren, maar je geeft ze alleen een boek over het koken van pasta.

2. De Oplossing: Een Nieuw "Leermiddel"

De onderzoekers van de Universiteit van Toronto hebben SortScrews gemaakt. Dit is een speciale verzameling van 560 foto's van schroeven.

• De Inhoud: Ze hebben 6 verschillende soorten schroeven gefotografeerd (zoals "platte kop" en "ronde kop") en ook foto's gemaakt van een lege achtergrond (zodat de robot leert: "Ah, hier ligt niets, dus ik hoef niets te pakken").
• De Methode: Ze hebben een simpele, goedkope camera-opstelling bedacht. Denk aan een houten kistje met een printje erin dat de schroef op de juiste plek houdt. Het is niet de duurste apparatuur, maar het is consistent. Het is alsof je een kind een vaste plek geeft om zijn speelgoed neer te leggen, zodat het altijd op dezelfde manier kan worden gefotografeerd.

3. De "Leerlingen": De Robots

Om te testen of hun methode werkt, hebben ze twee bekende "slimme hersenen" (AI-modellen) getraind:

• ResNet-18: Een bewezen, betrouwbare werknemer.
• EfficientNet-B0: Een moderne, efficiënte werknemer die minder energie verbruikt.

Ze hebben deze modellen niet vanaf nul laten leren (dat zou te lang duren met zo weinig foto's). In plaats daarvan gaven ze ze een "voorkennis" (zoals iemand die al weet hoe je een huis bouwt, en nu alleen nog maar moet leren hoe je een specifieke schuifdeur maakt). Dit noemen ze transfer learning.

4. Het Resultaat: Een Verbluffend Succes

Het verrassende nieuws is dat deze modellen het uitstekend deden, zelfs met zo weinig foto's.

• ResNet-18 haalde een score van 96,4%. Dat betekent dat van de 100 schroeven, de robot er 96 correct in de juiste bak gooide.
• Het ging ook nog eens razendsnel: de robot kon bijna 156 schroeven per seconde sorteren. Dat is sneller dan je kunt knipperen!

5. Waar het misging (De "Kleine Kinderen")

Natuurlijk maakten ze ook fouten. Soms verwarde de robot een schroef met een ronde kop van 2,5 cm met een schroef met een platte kop van 3,5 cm.

• De Analogie: Stel je voor dat je twee mensen ziet die op elkaar lijken, maar één draagt een pet en de ander een hoed. Als je ze van ver weg ziet, kun je ze misschien verwarren. De robot had moeite met deze subtiele verschillen.
• De onderzoekers ontdekten ook dat de robot soms "lui" was: hij keek niet echt naar de vorm van de schroef, maar naar waar de schroef op de foto lag. Als de schroef altijd links stond, dacht de robot: "Ah, links betekent schroef." Dat is een valkuil die ze in de toekomst willen oplossen.

6. Waarom is dit belangrijk?

Deze paper is als een open source "bouwplaat" voor de wereld.

1. Het is gratis: Iedereen kan de foto's en de instructies downloaden.
2. Het is simpel: Je hoeft geen miljoenen te investeren in dure camera's; een simpele webcam en wat hout werken ook.
3. Het is de toekomst: Door robots beter te leren schroeven te herkennen, kunnen fabrieken sneller werken, minder fouten maken en minder mensen nodig hebben voor saai, repetitief werk.

Kortom:
SortScrews is het bewijs dat je niet altijd een supercomputer en een berg data nodig hebt om slimme robots te maken. Soms is een goed georganiseerde, simpele foto-set van een paar schroeven genoeg om de fabriek van morgen een enorme stap vooruit te helpen. Het is alsof je een robot leert om zijn eigen schoenveters te strikken, maar dan voor duizenden verschillende soorten schroeven.

Technische samenvatting

Titel: SortScrews: Een dataset en baseline voor real-time schroefclassificatie

1. Probleemstelling

Automatische identificatie van schroeftypen is essentieel voor industriële automatisering, robotica en voorraadbeheer. Hoewel diepe leermodellen (deep learning) grote successen hebben geboekt in visuele herkenning, ontbreekt het aan openbare, gestandaardiseerde datasets voor het classificeren van kleine mechanische componenten zoals schroeven.
De specifieke uitdagingen zijn:

• Fijne-granulariteit: Verschillen tussen schroeftypen zijn vaak subtiel (bijv. kopvorm, lengte, draadpatroon) en moeilijk te onderscheiden zonder gecontroleerde opnamecondities.
• Beperkte data: Industriële omgevingen hebben vaak te maken met weinig gelabelde data en beperkte opnamesetsups.
• Gebrek aan benchmarks: Bestaande datasets richten zich vaak op defectdetectie (zoals MVTec AD) in plaats van het onderscheiden van verschillende hardwarecomponenten.

2. Methodologie

A. De SortScrews Dataset
De auteurs introduceren een nieuwe dataset die is ontworpen voor casuïstische visuele classificatie onder gecontroleerde omstandigheden:

• Omvang: 560 RGB-afbeeldingen met een resolutie van 512 × 512.
• Classificatie: 6 verschillende schroeftypen (variaties in kopvorm en lengte) plus een achtergrondklasse voor afwijzing (rejection). De dataset is perfect gebalanceerd (80 afbeeldingen per klasse).
• Opname-omgeving: Afbeeldingen zijn gemaakt met een gestandaardiseerde opzet (iCAN C55N webcamera, houten standaard, gedrukte gids voor positie). Er zijn vier verschillende opnamesettingen gebruikt om lichte variaties in belichting en cameraperspectief te introduceren, wat industriële variabiliteit simuleert.
• Datacollectie-pijplijn: Er wordt een herbruikbaar script en een fysieke opzet aangeboden waarmee onderzoekers goedkoop en snel vergelijkbare datasets kunnen maken voor andere industriële componenten.

B. Baseline Modellen en Training
Om de prestaties te evalueren, zijn twee lichtgewicht Convolutional Neural Networks (CNN's) getraind via transfer learning (voortgezet op ImageNet):

• Architecturen: EfficientNet-B0 en ResNet-18.
• Training: De modellen zijn getraind met de AdamW-optimizer, cross-entropy verliesfunctie, en een batchgrootte van 16. De inputafbeeldingen zijn herschaald naar 224 × 224.
• Hardware: Training en inferentie zijn uitgevoerd op een Apple M3 MacBook Pro (16 GB RAM), wat de haalbaarheid van real-time verwerking op minder krachtige hardware demonstreert.

3. Belangrijkste Resultaten

De experimenten tonen aan dat zelfs met een relatief kleine dataset sterke prestaties behaald kunnen worden onder gecontroleerde omstandigheden:

• Classificatie-nauwkeurigheid:

  • ResNet-18: Bereikte een validatie-accuraatheid van 96,4%.
  • EfficientNet-B0: Bereikte een validatie-accuraatheid van 86,2%.
  • Opmerking: ResNet-18 presteerde consistent beter dan EfficientNet-B0, wat suggereert dat modernere, complexere architecturen niet altijd superieur zijn voor deze specifieke, fijne-granulariteitstaken.

• Inferentie-tijd (Real-time capaciteit):

  • ResNet-18: Gemiddelde inferentietijd van 6,42 ms (ongeveer 155,8 fps).
  • EfficientNet-B0: Gemiddelde inferentietijd van 17,95 ms (ongeveer 55,7 fps).
  • Beide modellen voldoen ruimschoots aan de eisen voor real-time sortering.

• Foutanalyse:

  • De meeste fouten treden op bij visueel vergelijkbare schroeven (bijv. verschillende kopvormen maar dezelfde lengte).
  • Er werd een onverwachte bias waargenomen: de modellen leren de locatie van de schroef in het beeld te gebruiken in plaats van alleen de visuele kenmerken, waarschijnlijk door de schaarse semantische supervisie.

4. Bijdragen

De paper levert drie belangrijke bijdragen aan het domein van industriële visie:

1. SortScrews Dataset: Een gebalanceerde dataset van 560 afbeeldingen met zes schroeftypen, specifiek ontworpen voor gecontroleerde classificatie.
2. Herbruikbare Datacollectie: Een openbaar gemaakte pipeline (hardware-ontwerp en software-script) die het mogelijk maakt voor anderen om snel eigen datasets voor industriële onderdelen te creëren met goedkope hardware.
3. Baseline Benchmarks: Gedetailleerde prestatiegegevens voor EfficientNet-B0 en ResNet-18, inclusief foutanalyse en inferentie-tijden, die dienen als referentiepunt voor toekomstig onderzoek.

5. Betekenis en Toekomstperspectief

Het rapport demonstreert dat effectieve automatisering van industriële sortering niet noodzakelijk grote datasets of dure hardware vereist, mits de opnameomgeving gestandaardiseerd is. De beschikbaarheid van de dataset en de collectie-pijplijn vermindert de drempel voor onderzoek in robotica en automatische sortering.

Toekomstige uitbreidingen die door de auteurs worden voorgesteld, omvatten:

• Toevoeging van meer schroeftypen.
• Meerdere opnamehoeken (multi-view).
• Integratie van transportband-omgevingen.
• Toevoeging van diepte- of 3D-informatie.

Samenvattend biedt SortScrews een solide fundament voor het ontwikkelen van robuuste, real-time systemen voor het sorteren van kleine mechanische onderdelen in de industrie.