Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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 |
id |
UFF-2_442d1801176bbfb3e49ea8f758b42f0d |
---|---|
oai_identifier_str |
oai:app.uff.br:1/34432 |
network_acronym_str |
UFF-2 |
network_name_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository_id_str |
2120 |
spelling |
Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicasAprendizado de máquinaVisão computacionalDefeitos superficiaisAprendizado de máquinaSuperfície metálicaDefeitosMachine learningComputer visionDefectsDefeitos 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 desempenhoSurface defects have historically been a major problem in the steel manufacturing industry, as they not only affect its market value, but can also compromise its resistance. Therefore, ways to detect these defects in the most effective way possible have been explored over the years. With the evolution of computational capacity, methods for detecting defects have been developed using computational vision. In recent years, there has been a significant evolution in the field of machine learning, enabling the creation of increasingly accurate and efficient models. This research aims to evaluate the performance of the YOLOv8 model, making a comparison with results obtained in previous works, in order to validate the evolution of currently available models. For such, this work uses databases with images taken from metal sheets production lines, with information regarding the type of defect and their respective locations. Thus, the model will be trained with these data, and its performance will be evaluated to verify if the results for the databases surface defects are compatible with those obtained in tests carried out by the model’s authors, which use standard databases, such as MS COCO and ImageNet, to measure the performance91 f.Pacheco, César Cunhahttp://lattes.cnpq.br/4977724521165246Tavares, Sérgio Souto Maiorhttp://lattes.cnpq.br/4320367144812616Nunes, Luiz Carlos da Silvahttp://lattes.cnpq.br/9739401521810655Garcia, Gabriel Pereira2024-08-26T17:59:46Z2024-08-26T17:59:46Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfGARCIA, Gabriel Pereira. Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas. 2024. 91 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2024.https://app.uff.br/riuff/handle/1/34432CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2024-08-26T17:59:50Zoai:app.uff.br:1/34432Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202024-08-26T17:59:50Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false |
dc.title.none.fl_str_mv |
Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas |
title |
Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas |
spellingShingle |
Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas Garcia, Gabriel Pereira Aprendizado de máquina Visão computacional Defeitos superficiais Aprendizado de máquina Superfície metálica Defeitos Machine learning Computer vision Defects |
title_short |
Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas |
title_full |
Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas |
title_fullStr |
Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas |
title_full_unstemmed |
Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas |
title_sort |
Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas |
author |
Garcia, Gabriel Pereira |
author_facet |
Garcia, Gabriel Pereira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Pacheco, César Cunha http://lattes.cnpq.br/4977724521165246 Tavares, Sérgio Souto Maior http://lattes.cnpq.br/4320367144812616 Nunes, Luiz Carlos da Silva http://lattes.cnpq.br/9739401521810655 |
dc.contributor.author.fl_str_mv |
Garcia, Gabriel Pereira |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Visão computacional Defeitos superficiais Aprendizado de máquina Superfície metálica Defeitos Machine learning Computer vision Defects |
topic |
Aprendizado de máquina Visão computacional Defeitos superficiais Aprendizado de máquina Superfície metálica Defeitos Machine learning Computer vision Defects |
description |
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 |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-08-26T17:59:46Z 2024-08-26T17:59:46Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
GARCIA, Gabriel Pereira. Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas. 2024. 91 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2024. https://app.uff.br/riuff/handle/1/34432 |
identifier_str_mv |
GARCIA, Gabriel Pereira. Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas. 2024. 91 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2024. |
url |
https://app.uff.br/riuff/handle/1/34432 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
CC-BY-SA |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF) instname:Universidade Federal Fluminense (UFF) instacron:UFF |
instname_str |
Universidade Federal Fluminense (UFF) |
instacron_str |
UFF |
institution |
UFF |
reponame_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
collection |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF) |
repository.mail.fl_str_mv |
riuff@id.uff.br |
_version_ |
1811823553577746432 |