OGNet-AD : Um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNet
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/47055 |
Resumo: | A aplicação de visão computacional com Deep Learning (DL) vem sendo utilizada para resolver problemas complexos. Um desses problemas é a inspeção automática de objetos industriais. A inspeção pode ocorrer em cenário controlado, como mostrado no dataset MVTec AD ou em um cenário não controlado, como ocorre em torres de linhas de transmissão de energia. Um dos maiores desafios na inspeção automática é a disponibilidade limitada de dados de falhas para o treinamento dos classificadores tradicionais baseados em DL. Pois, em aplicações de inspeção industrial, há poucos dados de falhas e baixa diversidade nos exemplos. Mesmo em linhas de transmissão de energia, que são essenciais para vida humana moderna, não existem datasets de inspeção para o treinamento supervisionado de classificadores. Portanto, aborda- gens de treinamento não supervisionado são usadas para contornar a escassez de dados, como detecção de anomalias e One-Class Classification (OCC). Nessas abordagens, os treinamentos dos modelos são realizados apenas com os dados dos equipamentos em seus estados normais, sem defeitos. Este trabalho investiga a detecção de anomalias com o uso da OGNet, uma técnica de estado da arte de OCC e busca adaptá-la para a detecção de anomalias, criando uma nova rede, a OGNet-AD. A nova rede e a OGNet foram avaliadas quantitativamente em um ambiente controlado com MVTec AD e em um ambiente não controlado com um dataset privado de inspeção de linhas de transmissão de energia, o DILTE. Como resultado da pes- quisa, verificou-se que a OGNet pode ser utilizada para detecção de anomalias e compara-se com técnicas tradicionais desse contexto. A OGNet-AD conseguiu superar a OGNet tanto no cenário controlado do MVTec-AD quanto no cenário não controlado do DILTE, com média de AUC-ROC de 87,4 contra 84,7 da OGNet no MVTec-AD e 77 contra 72 no DILTE, compro- vando os benefícios das modificações realizadas no modelo. Apesar da evolução da OGNet-AD, a técnica também foi comparada com técnicas elaboradas para detecção de anomalias, não superando ainda a técnica do estado da arte. Além dos testes quantitativos, uma técnica de Explainable Artificial Inteligente foi explorada para a validação qualitativa da OGNet-AD. A validação foi realizada utilizando a Grad-CAM para visualizar as regiões que influenciam nas decisões da rede. A validação qualitativa mostrou-se eficiente para analisar o uso da OGNet- AD, principalmente em cenários com poucos dados para realização da validação quantitativa tradicional. |
id |
UFPE_2b97757008e5f3c4aefc63ff5ecf2136 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/47055 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
FELIX, Heitor de Castrohttp://lattes.cnpq.br/4870770104817246http://lattes.cnpq.br/3355338790654065http://lattes.cnpq.br/4321649532287831TEICHRIEB, VeronicaSIMÕES, Francisco Paulo Magalhães2022-10-14T13:53:43Z2022-10-14T13:53:43Z2022-04-13FELIX, Heitor de Castro. OGNet-AD: um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNet. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/47055A aplicação de visão computacional com Deep Learning (DL) vem sendo utilizada para resolver problemas complexos. Um desses problemas é a inspeção automática de objetos industriais. A inspeção pode ocorrer em cenário controlado, como mostrado no dataset MVTec AD ou em um cenário não controlado, como ocorre em torres de linhas de transmissão de energia. Um dos maiores desafios na inspeção automática é a disponibilidade limitada de dados de falhas para o treinamento dos classificadores tradicionais baseados em DL. Pois, em aplicações de inspeção industrial, há poucos dados de falhas e baixa diversidade nos exemplos. Mesmo em linhas de transmissão de energia, que são essenciais para vida humana moderna, não existem datasets de inspeção para o treinamento supervisionado de classificadores. Portanto, aborda- gens de treinamento não supervisionado são usadas para contornar a escassez de dados, como detecção de anomalias e One-Class Classification (OCC). Nessas abordagens, os treinamentos dos modelos são realizados apenas com os dados dos equipamentos em seus estados normais, sem defeitos. Este trabalho investiga a detecção de anomalias com o uso da OGNet, uma técnica de estado da arte de OCC e busca adaptá-la para a detecção de anomalias, criando uma nova rede, a OGNet-AD. A nova rede e a OGNet foram avaliadas quantitativamente em um ambiente controlado com MVTec AD e em um ambiente não controlado com um dataset privado de inspeção de linhas de transmissão de energia, o DILTE. Como resultado da pes- quisa, verificou-se que a OGNet pode ser utilizada para detecção de anomalias e compara-se com técnicas tradicionais desse contexto. A OGNet-AD conseguiu superar a OGNet tanto no cenário controlado do MVTec-AD quanto no cenário não controlado do DILTE, com média de AUC-ROC de 87,4 contra 84,7 da OGNet no MVTec-AD e 77 contra 72 no DILTE, compro- vando os benefícios das modificações realizadas no modelo. Apesar da evolução da OGNet-AD, a técnica também foi comparada com técnicas elaboradas para detecção de anomalias, não superando ainda a técnica do estado da arte. Além dos testes quantitativos, uma técnica de Explainable Artificial Inteligente foi explorada para a validação qualitativa da OGNet-AD. A validação foi realizada utilizando a Grad-CAM para visualizar as regiões que influenciam nas decisões da rede. A validação qualitativa mostrou-se eficiente para analisar o uso da OGNet- AD, principalmente em cenários com poucos dados para realização da validação quantitativa tradicional.CNPqThe application of computer vision with Deep Learning (DL) has been used to solve complex problems. One such problem is the automatic inspection of industrial objects. Inspection can occur in a controlled scenario, as shown in the MVTec AD dataset, or an uncontrolled scenario, as in power transmission line towers. One of the biggest challenges in automatic inspection is the limited availability of fault data for training traditional DL-based classifiers. Because, in industrial inspection applications, there is little failure data and low diversity in the exam- ples. Even on power transmission lines, which are essential for modern human life, inspection datasets for supervised training of classifiers do not exist. Therefore, unsupervised training ap- proaches are used to circumvent the data scarcity, such as anomaly detection and One-Class Classification (OCC). In these approaches, model training is performed only using data from equipment in their normal states, with no defects. This work investigates anomaly detection using OGNet, a state-of-the-art OCC technique, and seeks to adapt it for anomaly detection, creating a new network, the OGNet-AD. The new network and OGNet were quantitatively evaluated in a controlled environment with MVTec AD and an uncontrolled environment with a private dataset of power transmission lines inspection, called DILTE. As a result of the research, it was found that OGNet can be used for anomaly detection and compared with traditional techniques in this context. OGNet-AD was able to outperform OGNet both in the controlled scenario of MVTec-AD and in the uncontrolled scenario of DILTE, with an average AUC-ROC of 87.4 against 84.7 for OGNet in MVTec-AD and 77 against 72 in DILTE , prov- ing the benefits of the modifications made to the model. Despite the evolution of OGNet-AD, the technique was also compared with techniques developed for detecting anomalies, not yet surpassing the state-of-the-art technique. In addition to the quantitative tests, an explainable artificial intelligence technique was explored for the qualitative validation of OGNet-AD. The validation was performed using Grad-CAM to visualize the regions that influence network deci- sions. Qualitative validation shows to be efficient in analyzing the use of OGNet-AD, especially in scenarios with little data to perform traditional quantitative validation.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da ComputacaoUFPEBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/embargoedAccessInteligência computacionalVisão computacionalOGNet-AD : Um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNetinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALDISSERTAÇÃO Heitor de Castro Felix.pdfDISSERTAÇÃO Heitor de Castro Felix.pdfapplication/pdf14551798https://repositorio.ufpe.br/bitstream/123456789/47055/1/DISSERTA%c3%87%c3%83O%20Heitor%20de%20Castro%20Felix.pdf398d24a4a3e1d7f50839e81ce6106a2bMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/47055/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/47055/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53TEXTDISSERTAÇÃO Heitor de Castro Felix.pdf.txtDISSERTAÇÃO Heitor de Castro Felix.pdf.txtExtracted texttext/plain164359https://repositorio.ufpe.br/bitstream/123456789/47055/4/DISSERTA%c3%87%c3%83O%20Heitor%20de%20Castro%20Felix.pdf.txt4893175afaea911deed724c63f4248a4MD54THUMBNAILDISSERTAÇÃO Heitor de Castro Felix.pdf.jpgDISSERTAÇÃO Heitor de Castro Felix.pdf.jpgGenerated Thumbnailimage/jpeg1224https://repositorio.ufpe.br/bitstream/123456789/47055/5/DISSERTA%c3%87%c3%83O%20Heitor%20de%20Castro%20Felix.pdf.jpged202e48ffdc960b62e40dd56891d8e4MD55123456789/470552022-10-15 02:32:42.326oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212022-10-15T05:32:42Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
OGNet-AD : Um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNet |
title |
OGNet-AD : Um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNet |
spellingShingle |
OGNet-AD : Um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNet FELIX, Heitor de Castro Inteligência computacional Visão computacional |
title_short |
OGNet-AD : Um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNet |
title_full |
OGNet-AD : Um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNet |
title_fullStr |
OGNet-AD : Um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNet |
title_full_unstemmed |
OGNet-AD : Um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNet |
title_sort |
OGNet-AD : Um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNet |
author |
FELIX, Heitor de Castro |
author_facet |
FELIX, Heitor de Castro |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4870770104817246 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3355338790654065 |
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4321649532287831 |
dc.contributor.author.fl_str_mv |
FELIX, Heitor de Castro |
dc.contributor.advisor1.fl_str_mv |
TEICHRIEB, Veronica |
dc.contributor.advisor-co1.fl_str_mv |
SIMÕES, Francisco Paulo Magalhães |
contributor_str_mv |
TEICHRIEB, Veronica SIMÕES, Francisco Paulo Magalhães |
dc.subject.por.fl_str_mv |
Inteligência computacional Visão computacional |
topic |
Inteligência computacional Visão computacional |
description |
A aplicação de visão computacional com Deep Learning (DL) vem sendo utilizada para resolver problemas complexos. Um desses problemas é a inspeção automática de objetos industriais. A inspeção pode ocorrer em cenário controlado, como mostrado no dataset MVTec AD ou em um cenário não controlado, como ocorre em torres de linhas de transmissão de energia. Um dos maiores desafios na inspeção automática é a disponibilidade limitada de dados de falhas para o treinamento dos classificadores tradicionais baseados em DL. Pois, em aplicações de inspeção industrial, há poucos dados de falhas e baixa diversidade nos exemplos. Mesmo em linhas de transmissão de energia, que são essenciais para vida humana moderna, não existem datasets de inspeção para o treinamento supervisionado de classificadores. Portanto, aborda- gens de treinamento não supervisionado são usadas para contornar a escassez de dados, como detecção de anomalias e One-Class Classification (OCC). Nessas abordagens, os treinamentos dos modelos são realizados apenas com os dados dos equipamentos em seus estados normais, sem defeitos. Este trabalho investiga a detecção de anomalias com o uso da OGNet, uma técnica de estado da arte de OCC e busca adaptá-la para a detecção de anomalias, criando uma nova rede, a OGNet-AD. A nova rede e a OGNet foram avaliadas quantitativamente em um ambiente controlado com MVTec AD e em um ambiente não controlado com um dataset privado de inspeção de linhas de transmissão de energia, o DILTE. Como resultado da pes- quisa, verificou-se que a OGNet pode ser utilizada para detecção de anomalias e compara-se com técnicas tradicionais desse contexto. A OGNet-AD conseguiu superar a OGNet tanto no cenário controlado do MVTec-AD quanto no cenário não controlado do DILTE, com média de AUC-ROC de 87,4 contra 84,7 da OGNet no MVTec-AD e 77 contra 72 no DILTE, compro- vando os benefícios das modificações realizadas no modelo. Apesar da evolução da OGNet-AD, a técnica também foi comparada com técnicas elaboradas para detecção de anomalias, não superando ainda a técnica do estado da arte. Além dos testes quantitativos, uma técnica de Explainable Artificial Inteligente foi explorada para a validação qualitativa da OGNet-AD. A validação foi realizada utilizando a Grad-CAM para visualizar as regiões que influenciam nas decisões da rede. A validação qualitativa mostrou-se eficiente para analisar o uso da OGNet- AD, principalmente em cenários com poucos dados para realização da validação quantitativa tradicional. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-10-14T13:53:43Z |
dc.date.available.fl_str_mv |
2022-10-14T13:53:43Z |
dc.date.issued.fl_str_mv |
2022-04-13 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
FELIX, Heitor de Castro. OGNet-AD: um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNet. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/47055 |
identifier_str_mv |
FELIX, Heitor de Castro. OGNet-AD: um método para detecção de falhas em equipamentos através da detecção de anomalias em imagens com GAN baseado na OGNet. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022. |
url |
https://repositorio.ufpe.br/handle/123456789/47055 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/embargoedAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
embargoedAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Ciencia da Computacao |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/47055/1/DISSERTA%c3%87%c3%83O%20Heitor%20de%20Castro%20Felix.pdf https://repositorio.ufpe.br/bitstream/123456789/47055/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/47055/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/47055/4/DISSERTA%c3%87%c3%83O%20Heitor%20de%20Castro%20Felix.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/47055/5/DISSERTA%c3%87%c3%83O%20Heitor%20de%20Castro%20Felix.pdf.jpg |
bitstream.checksum.fl_str_mv |
398d24a4a3e1d7f50839e81ce6106a2b e39d27027a6cc9cb039ad269a5db8e34 5e89a1613ddc8510c6576f4b23a78973 4893175afaea911deed724c63f4248a4 ed202e48ffdc960b62e40dd56891d8e4 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310838181167104 |