Deteção de defeitos em superfícies pintadas

• Autor(a) principal: Pereira, Miguel da Costa
• 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/10773/37049
• topic: Visão por computador; Controlo de qualidade; Machine learning; Superfícies pintadas; Deflectometria; Classificação de defeitos; Nexeed MES

Com o aumento exponencial da competitividade na indústria atual, a contínua procura pela automação e digitalização é um processo indispensável para o aumento da qualidade. Nos dias que correm, e na grande maioria dos casos, a inspeção de qualidade de superfícies pintadas é feita com recurso à visão humana. Dado que as características dos defeitos em superfícies pintadas são muito diversas e aleatórias, a visão humana consegue ainda ser superior na relação qualidade/preço na maioria dos processos da indústria atual. Contudo esta inspeção visual passa normalmente, sobretudo em grandes objetos, pela necessidade do operador se colocar em posições pouco ergonómicas e desconfortáveis por grandes quantidades de tempo. Por outro lado, a inspeção de defeitos automática traduz-se na eliminação da variação nos critérios de inspeção que está inerente à natureza humana. A Bosch Termotecnologia produz esquentadores e caldeiras cujas frentes são pintadas e, para melhorar a precisão e rigor na inspeção de qualidade das mesmas, pretende-se desenvolver um sistema automático de deteção dos defeitos de forma a aumentar o rigor e a consistência da inspeção, eliminando assim o erro humano do sistema e diminuindo os tempos de análise. Deste modo, neste projeto foi usada a técnica de deflectometria, que consiste em projetar padrões sinusoidais nas superfícies e capturar o seu reflexo para posteriormente ser analisado. Desta forma foi possível criar um dataset de imagens relativo a cada defeito. Assim, o sistema usou uma camara de visão industrial que fazia a captura continua das imagens para serem analisadas com base num modelo criado com recurso a Deep Learning. O resultado da sua classificação é enviado para o Nexeed MES e além disso é possível a visualização em tempo real das classificações através de uma GUI. O modelo final apresentou precisões acima dos 95% nos subsets de teste e demora menos de um segundo a realizar a classificação e enviar a informação para o MES.