Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas

• Autor(a) principal: Garcia, Gabriel Pereira
• Data de Publicação: 2024
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: https://app.uff.br/riuff/handle/1/34432
• topic: Aprendizado de máquina; Visão computacional; Defeitos superficiais; Aprendizado de máquina; Superfície metálica; Defeitos; Machine learning; Computer vision; Defects

Defeitos superficiais têm sido historicamente um grande problema na indústria de produção de aço, uma vez que não apenas afetam seu valor de mercado, mas, também, podem comprometer sua resistência. Por este motivo, formas de se detectar estes defeitos da forma mais efetiva possível foram exploradas ao longo dos anos. Com a evolução da capacidade computacional, métodos para a detecção de defeitos foram elaborados usando a visão computacional. Nos últimos anos, houve uma evolução significativa no campo do aprendizado de máquina, possibilitando a elaboração de modelos cada vez mais precisos e eficientes. Este trabalho tem como objetivo a avaliar a performance do modelo YOLOv8, realizando um comparativo com resultados obtidos em trabalhos anteriores, a fim de validar a evolução dos modelos disponíveis atualmente. Para isso, são utilizadas bases de dados com imagens retiradas de linhas de produção de chapas metálicas, com informações a respeito do tipo de defeito e de suas respectivas localizações. Assim, o modelo será treinado com esses dados, e sua performance será avaliada para verificar se os resultados para as bases de defeitos superficiais são compatíveis com aqueles obtidos nos testes realizados pelos autores do modelo, que utilizam bases padrão, como MS COCO e ImageNet, para mensurar o desempenho