This project explores how quality control of golf balls can be automated using machine learning models. The purpose of automating this is to contribute to both a better environment and an improved playing experience. The models that have been trained and tested include CNN (Convolutional Neural Network), KNN (K-Nearest Neighbors), SVM (Support Vector Machine), and ViT (Vision Transformer). Experiments have also been conducted to isolate golf balls in order to simplify the classification task. In these experiments, YOLO (You Only Look Once), Mask R-CNN (Mask Region-Based Convolutional Neural Network), and ViT were tested. The results are not perfect, but the accuracy exceeded 50%. The conclusion is that more data is required to effectively train machine learning models than 1600 high quality images of 66 different unevenly distributed golfballs.

Detta projekt går in på hur kvalitetskontroll av golfbollar kan automatiseras med hjälp av maskininlärningsmodeller, detta vill automatiseras då det kan bidra till en bättre miljö och spelupplevelse. De modeller som har tränats och prövats är CNN (Faltningsneuralnätverk), KNN (K-närmsta grannar), SVM (Stödvektormaskin) och ViT (Visiontransformator). Experiment gällande isolering av golfbollar för att förenkla problemet för klassificeringen har också skett, då har YOLO (Tittar Bara En Gång), Mask R-CNN (Mask regionbaserat faltningsneuralnätverk) och ViT testats. Resultaten är inte perfekta men noggranheten nådde över 50%. Slutsatsen är att det krävs mer data för att träna maskininlärningsmodeller än 1600 bilder av hög kvalitet på 66 olika ojämnt fördelade golfbollar.