Automatização do controlo da presença de identificação numérica em peças de apoio da cambota

• Autor(a) principal: Dias, Ricardo Manuel Silva
• 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/10773/40316
• topic: Visão por computador; Machine learning; Deep learning; Deteção de objetos; Redes neuronais concolucionais; Yolo

O surgimento da Industria 4.0 tem levado à automação de práticas industriais via inteligência artificial, robótica e Internet das Coisas, resultando em sistemas industriais mais autónomos e independentes. A Renault Cacia encontra-se numa fase de transformação digital, o que inspirou o tema deste estágio, focado nas peças de apoio da cambota de um motor de combustão interna. Estas peças encontram-se numeradas de 1 a 5 ou 1 a 4 consoante se trate do modelo H5 ou H4 respetivamente. No final da linha de produção, as peças estão separadas em conjuntos e são colocadas pelo operador dentro do contentor com uma ordem e uma orientação específicas. Atualmente não existe nenhum controlo automático para inspecionar as peças colocadas no contentor, pelo que este controlo é feito pelo operador. Posto isto, pretende-se desenvolver um sistema automático para verificação da conformidade dos conjuntos armazenados no contentor. Neste trabalho, foi criada uma prova de conceito para a deteção dos números gravados nas peças de um conjunto e verificação da ordem e orientação das peças. De modo a detetar os números gravados nas peças foi usado um sistema de deteção de objetos criado com recurso ao algoritmo YOLO (You Only Look Once). Foram desenvolvidos dois modelos distintos, um para a deteção do conjunto e o outro para deteção dos números. Foi criado também um servidor Flask para envio dos dados de deteção para uma base de dados PostgreSQL e visualização numa interface gráfica HTML. O modelos obtidos apresentam ambos um mAP (mean Average Precision) de 100%, o que pode ter acontecido devido ao uso de um dataset com pouca variação nas imagens.