Self-supervised learning techniques for monitoring industrial spaces

Abstract

Este documento é uma Dissertação de Mestrado com o título ”Self-Supervised Learning Techniques for Monitoring Industrial Spaces”e foi realizada e ambiente empresarial na empresa Neadvance - Machine Vision S.A. em conjunto com a Universidade do Minho. Esta dissertação surge de um grande projeto que consiste no desenvolvimento de uma plataforma de monitorização de operações específicas num espaço industrial, denominada SMARTICS (Plataforma tecnoló gica para monitorização inteligente de espaços industriais abertos). Este projeto continha uma componente de investigação para explorar um paradigma de aprendizagem diferente e os seus métodos - self-supervised learning, que foi o foco e principal contributo deste trabalho. O supervised learning atingiu um limite, pois exige anotações caras e dispendiosas. Em problemas reais, como em espaços industriais nem sempre é possível adquirir um grande número de imagens. O self-supervised learning ajuda nesses problemas, ex traindo informações dos próprios dados e alcançando bom desempenho em conjuntos de dados de grande escala. Este trabalho fornece uma revisão geral da literatura sobre a estrutura de self-supervised learning e alguns métodos. Também aplica um método para resolver uma tarefa de classificação para se assemelhar a um problema em um espaço industrial.

This document is a Master’s Thesis with the title ”Self-Supervised Learning Techniques for Monitoring Industrial Spaces” and was carried out in a business environment at Neadvance - Machine Vision S.A. together with the University of Minho. This dissertation arises from a major project that consists of developing a platform to monitor specific operations in an industrial space, named SMARTICS (Plataforma tecnológica para monitorização inteligente de espaços industriais abertos). This project contained a research component to explore a different learning paradigm and its methods - self-supervised learning, which was the focus and main contribution of this work. Supervised learning has reached a bottleneck as they require expensive and time-consuming annotations. In real problems, such as in industrial spaces it is not always possible to require a large number of images. Self-supervised learning helps these issues by extracting information from the data itself and has achieved good performance in large-scale datasets. This work provides a comprehensive literature review of the self supervised learning framework and some methods. It also applies a method to solve a classification task to resemble a problem in an industrial space and evaluate its performance.