Utilization of Cloud Services for Visual Fault Diagnostics of Dental X-ray Systems

Thumbnail Image

Files

master_Granholm_Martin_2018.pdf (2.86 MB)

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2018-05-14

Department

Major/Subject

Control, Robotics and Autonomous Systems

Mcode

ELEC3025

Degree programme

AEE - Master’s Programme in Automation and Electrical Engineering (TS2013)

Language

en

Pages

78

Series

Abstract

This thesis explores the application of transfer learning with a deep convolutional neural network for a cloud-based fault diagnostics application that recognizes calibration errors in dental cone beam computed tomography (CBCT) imaging systems. The fault diagnostics considers two different types of calibration errors and is based on image recognition of 2D slices of standard quality assurance images. The results show that learning to recognize calibration errors using the machine learning methods studied in this work is possible, and that implementing a functioning cloud-based application for fault diagnostics is fairly straight-forward when using off-the-shelf cloud services. Combined with other data collected from the devices, such an application may bring benefits to device maintenance by enabling remote condition monitoring.

Detta arbete utforskar tillämpningen av överföringsinlärning med konvolutionella neuronnät för ett molnbaserat system för feldiagnostik som känner igen kalibreringsfel hos dentala röntgenanläggningar som bygger på datortomografitekniken cone beam computed tomography (CBCT). Feldiagnostiken begränsar sig till två olika sorters kalibreringsfel och är baserad på bildigenkänning av tvådimensionella skivor från bilder tagna för kvalitetssäkring. Forskningens resultat visar att det är möjligt att lära känna igen kalibreringsfel med de maskininlärningsmetoder som använts, och att det är rätt så enkelt att förverkliga en funktionell feldiagnostiksapplikation med hjälp av färdiga molntjänster. I kombination med andra data insamlade från apparaterna kan en sådan applikation skapa mervärde till upprätthållandet av apparaterna, genom att möjliggöra fjärrövervakning av apparaternas tillstånd.

Description

Supervisor

Kyrki, Ville

Thesis advisor

Kettunen, Sakari

Keywords

CBCT Imaging, fault diagnostics, machine learning, transfer learning, cloud services, internet of things

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-201806012981

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC