Sistema para identificação automática de falhas na pintura dos aparelhos de combustão H2 da Bosch

• Autor(a) principal: Ferreira, André Filipe Lopes Mendes
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10773/40836
• topic: Automação Industrial; Visão por computador; Controlo de qualidade; Machine learning; Defeitos na pintura; Deflectometria; Deteção de defeitos; Classificação de imagens

A automação dos processos industriais está a mudar o cenário da indústria. À medida que as empresas procuram adaptar-se às necessidades de um mercado globalizado mantendo-se competitivas, a otimização dos processos e a melhoria da eficiência tornam-se cada vez mais críticas. A inspeção automática pode trazer vantagens significativas em termos de eficiência e rapidez na inspeção, redução do desperdício e aumento da produtividade. Além disso, a análise automática pode fornecer dados muito mais precisos e consistentes do que a inspeção manual, mas como qualquer nova tecnologia, os custos iniciais da implementação podem ser elevados. No entanto, à medida que a tecnologia evolui e se torna mais amplamente incorporada na indústria, os custos podem ser reduzidos. A Bosch Termotecnologia produz esquentadores e caldeiras cujas frentes são pintadas sendo a inspeção da qualidade da pintura feita com recurso à visão humana. As características dos possíveis defeitos em superfícies pintadas, são diversas e aleatórias, sem padrões definidos, pelo que a visão humana tem conseguido ser superior na relação qualidade/preço. Para melhorar a precisão e rigor na inspeção de qualidade das superfícies pintadas, pretendese desenvolver um sistema automático de deteção dos defeitos de forma a aumentar o rigor e a consistência da inspeção. Sistema que permitirá eliminar o erro humano e ainda diminuir os tempos de análise. Para atingir o objetivo proposto, foram necessários conhecimentos de diferentes áreas tais como, a mecânica e a informática, assim como estudos da utilização da visão artificial, das técnicas de iluminação para deteção de defeitos superficiais e ainda processamento de imagem. A solução proposta, passa pela recolha de imagens das superfícies utilizando a técnica de deflectometria, que é uma técnica de medição ótica para analisar superfícies, utilizando a projeção de um padrão de luz estruturado e a captura da sua reflexão. A partir destas imagens, utilizando a aplicação de sistemas de Deep Learning, foram criados modelos matemáticos que permitiram prever a existência ou não de defeitos. Isto é possível através da análise de imagens que são alimentadas ao sistema, durante o processo de aprendizagem do algoritmo. O algoritmo foi desenvolvido em python recorrendo a diferentes bibliotecas tais como opencv e TensorFlow. Por fim, foram desenvolvidas duas redes neuronais, uma para identificar a existência de defeito e outra para classificar o tipo de defeito. Em ambas foi possível atingir uma exatidão de 100%, em ambiente laboratorial. Foram também realizados testes com imagens que não foram utilizadas para treinar as redes, sendo o modelo capaz de atingir uma previsão 100% correta.