Dados sintéticos com deep learning para inspeção de qualidade automática na indústria automóvel

• Autor(a) principal: Azevedo, Miguel Neves Barriga Batalha
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10362/152027
• topic: Data Augmentation; GANs; Machine Learning (ML); Inteligência Artificial (IA); imagens Sintéticas; API; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

Os avanços tecnológicos que surgiram com o paradigma da Indústria 4.0 renovaram o potencial disruptivo da inteligência artificial no setor da manufatura, construindo a era baseada em dados sobre conceitos como Sistemas Ciber-Físicos (SCF) e Internet of Things (IoT). No entanto, a disponibilidade de dados continua a ser um grande desafio para o sucesso destas soluções, principalmente no que diz respeito àquelas baseadas em abordagens de Deep Learning (DL). Especificamente na inspeção de qualidade de apli- cações de adesivos estruturais, regularmente encontrados no domínio automóvel, dados de defeitos com variedade, volume e qualidade suficientes são geralmente caros, demo- rados e ineficientes de se obter, prejudicando a viabilidade de tais abordagens devido à escassez de dados. Para atenuar este problema, é proposta uma nova abordagem para gerar dados de treino sintéticos para esta aplicação, aproveitando avanços recentes no treino de Generative Adversarial Networks (GANs) com dados limitados para melhorar o desempenho de métodos de inspeção automatizados baseados em DL, especialmente para conjuntos de dados desequilibrados. Os resultados preliminares numa célula piloto automotiva real mostram uma promessa nesta direção, com a abordagem sendo capaz de gerar imagens realistas de cordões adesivos e, consequentemente, modelos de deteção de objetos mostrando mean Average Precision (mAP) melhorada em diferentes limiares quando treinados no conjunto de dados aumentado. Para fins de reprodutibilidade, os pesos do modelo, configurações e dados englobados neste estudo são disponibilizados publicamente. Para além deste estudo foi realizada uma Application Programming In- terface (API) para facilitar a interação entre o cliente e o resultado final. Esta API tem como objetivo detetar os defeitos presentes nas imagens usadas como input e fornece um ficheiro de texto como output, que contém as coordenadas das caixas delimitadoras previstas pelo modelo.