Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/41474 |
Resumo: | O desgaste progressivo de peças rotativas como engrenagens é um problema recorrente, principalmente para sistemas de produção cada vez mais sensíveis as variações destes componentes. Por isso, este trabalho propõe um framework para detectar desgastes superficiais em engrenagens de dentes retos, por meio de imagens digitais superficiais de dentes de engrenagem. Com o objetivo de responder a quatro questões norteadoras sobre o tema visão computacional e gestão da manutenção, uma revisão sistemática foi elaborada por meio de pesquisas realizadas nas bases de dados IEEE, Scopus, ScienceDirect e Web of Science e o software Start foi utilizado no processo metodológico. Uma bancada experimental foi construída para permitir a captura de imagens de dentes de engrenagem por meio de câmeras endoscópicas. As imagens foram selecionadas, pré-processadas, armazenadas em um banco de dados e utilizadas no estudo experimental do framework proposto. Três métodos foram estudados no framework para a identificação de desgastes em engrenagens de dentes retos: detecção de bordas, extração de recursos Gray Level Co-occurrence Matrix (GLCM) aplicados em algoritmos de machine learning e deep learning com Convolutional Neural Network (CNN). Os resultados foram acurácia de 85% com o algoritmo de detecção de bordas, acima de 60% para o classificador Support Vector Machine (SVM) e superior a 70% para o classificador K - Nearest Neighbors (KNN), além disso o algoritmo PCA analisou o comportamento da combinação dos recursos energy, homogeneity, contrast, dissimilarity, entropy e correlation concluindo que o distanciamento gradativo dos componentes principais caracteriza a formação e avanço do desgaste e a Convolutional Neural Network (CNN) obteve acurácia de 99,999981% e taxa de loss de 1,8822 10 ^ 5 − no treinamento e CAR de 91,6666%, F1_Score de 90,9090% e Recall de 83,3334% durante a etapa de teste. |
id |
UFPE_d51d121e66827c1e197be6c00db14caa |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/41474 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
ALMEIDA, Jane Kelly Barbosa dehttp://lattes.cnpq.br/3363258499527677http://lattes.cnpq.br/7741826884583892LOPES, Rodrigo Sampaio2021-10-28T18:14:21Z2021-10-28T18:14:21Z2021-07-05ALMEIDA, Jane Kelly Barbosa de. Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens. 2021. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Pernambuco, Caruaru, 2021.https://repositorio.ufpe.br/handle/123456789/41474O desgaste progressivo de peças rotativas como engrenagens é um problema recorrente, principalmente para sistemas de produção cada vez mais sensíveis as variações destes componentes. Por isso, este trabalho propõe um framework para detectar desgastes superficiais em engrenagens de dentes retos, por meio de imagens digitais superficiais de dentes de engrenagem. Com o objetivo de responder a quatro questões norteadoras sobre o tema visão computacional e gestão da manutenção, uma revisão sistemática foi elaborada por meio de pesquisas realizadas nas bases de dados IEEE, Scopus, ScienceDirect e Web of Science e o software Start foi utilizado no processo metodológico. Uma bancada experimental foi construída para permitir a captura de imagens de dentes de engrenagem por meio de câmeras endoscópicas. As imagens foram selecionadas, pré-processadas, armazenadas em um banco de dados e utilizadas no estudo experimental do framework proposto. Três métodos foram estudados no framework para a identificação de desgastes em engrenagens de dentes retos: detecção de bordas, extração de recursos Gray Level Co-occurrence Matrix (GLCM) aplicados em algoritmos de machine learning e deep learning com Convolutional Neural Network (CNN). Os resultados foram acurácia de 85% com o algoritmo de detecção de bordas, acima de 60% para o classificador Support Vector Machine (SVM) e superior a 70% para o classificador K - Nearest Neighbors (KNN), além disso o algoritmo PCA analisou o comportamento da combinação dos recursos energy, homogeneity, contrast, dissimilarity, entropy e correlation concluindo que o distanciamento gradativo dos componentes principais caracteriza a formação e avanço do desgaste e a Convolutional Neural Network (CNN) obteve acurácia de 99,999981% e taxa de loss de 1,8822 10 ^ 5 − no treinamento e CAR de 91,6666%, F1_Score de 90,9090% e Recall de 83,3334% durante a etapa de teste.FACEPEThe progressive wear of rotating parts such as gears is a recurrent problem, especially for production systems that are increasingly sensitive to variations in these components. Therefore, this work proposes a framework to detect surface wear in spur gears, through digital images of gear teeth surface. To answer four guiding questions about computer vision and maintenance management, a systematic review was developed through research carried out in the IEEE, Scopus, ScienceDirect and Web of Science databases and the Start software was used in the process methodological. An experimental bench was built to allow the capture of images of gear teeth using endoscopic cameras. The images were selected, pre-processed, stored in a database and used in the experimental study of the proposed framework. Three methods were studied in the framework for the identification of wear in spur gears: edge detection, Gray Level Co-occurrence Matrix (GLCM) resource extraction applied in machine learning algorithms and deep learning with Convolutional Neural Network (CNN). The results were 85% accuracy with the edge detection algorithm, above 60% for the Support Vector Machine (SVM) classifier and greater than 70% for the K - Nearest Neighbors (KNN) classifier, in addition the PCA algorithm analyzed the behavior of the combination of energy, homogeneity, contrast, dissimilarity, entropy and correlation resources, concluding that the gradual distancing of the main components characterizes the formation and advancement of wear and the Convolutional Neural Network (CNN) obtained an accuracy of 99.999981% and a rate of loss of 1.8822 10 ^ 5 − in training and CAR of 91.6666%, F1_Score of 90.9090% and Recall of 83.3334% during the test stage.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Engenharia de Producao / CAAUFPEBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/embargoedAccessEngrenagensImagensProcessamento de imagensDesgaste mecânicoAprendizado de computadorAlgoritmosVisão computacional aplicada a gestão da manutenção de sistemas de engrenagensinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALDISSERTAÇÃO Jane Kelly Barbosa de Almeida.pdfDISSERTAÇÃO Jane Kelly Barbosa de Almeida.pdfapplication/pdf2449900https://repositorio.ufpe.br/bitstream/123456789/41474/1/DISSERTA%c3%87%c3%83O%20Jane%20Kelly%20Barbosa%20de%20Almeida.pdffdc3f4ad1c72d683838f221290d422dfMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/41474/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82310https://repositorio.ufpe.br/bitstream/123456789/41474/3/license.txtbd573a5ca8288eb7272482765f819534MD53TEXTDISSERTAÇÃO Jane Kelly Barbosa de Almeida.pdf.txtDISSERTAÇÃO Jane Kelly Barbosa de Almeida.pdf.txtExtracted texttext/plain186373https://repositorio.ufpe.br/bitstream/123456789/41474/4/DISSERTA%c3%87%c3%83O%20Jane%20Kelly%20Barbosa%20de%20Almeida.pdf.txtf23c69b24c29c2e52aa54e28ffbcb994MD54THUMBNAILDISSERTAÇÃO Jane Kelly Barbosa de Almeida.pdf.jpgDISSERTAÇÃO Jane Kelly Barbosa de Almeida.pdf.jpgGenerated Thumbnailimage/jpeg1196https://repositorio.ufpe.br/bitstream/123456789/41474/5/DISSERTA%c3%87%c3%83O%20Jane%20Kelly%20Barbosa%20de%20Almeida.pdf.jpg82e6739f92d5ebd8fa85d1f9d624f8e3MD55123456789/414742021-10-29 02:12:55.042oai:repositorio.ufpe.br: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ório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212021-10-29T05:12:55Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens |
title |
Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens |
spellingShingle |
Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens ALMEIDA, Jane Kelly Barbosa de Engrenagens Imagens Processamento de imagens Desgaste mecânico Aprendizado de computador Algoritmos |
title_short |
Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens |
title_full |
Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens |
title_fullStr |
Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens |
title_full_unstemmed |
Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens |
title_sort |
Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens |
author |
ALMEIDA, Jane Kelly Barbosa de |
author_facet |
ALMEIDA, Jane Kelly Barbosa de |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3363258499527677 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/7741826884583892 |
dc.contributor.author.fl_str_mv |
ALMEIDA, Jane Kelly Barbosa de |
dc.contributor.advisor1.fl_str_mv |
LOPES, Rodrigo Sampaio |
contributor_str_mv |
LOPES, Rodrigo Sampaio |
dc.subject.por.fl_str_mv |
Engrenagens Imagens Processamento de imagens Desgaste mecânico Aprendizado de computador Algoritmos |
topic |
Engrenagens Imagens Processamento de imagens Desgaste mecânico Aprendizado de computador Algoritmos |
description |
O desgaste progressivo de peças rotativas como engrenagens é um problema recorrente, principalmente para sistemas de produção cada vez mais sensíveis as variações destes componentes. Por isso, este trabalho propõe um framework para detectar desgastes superficiais em engrenagens de dentes retos, por meio de imagens digitais superficiais de dentes de engrenagem. Com o objetivo de responder a quatro questões norteadoras sobre o tema visão computacional e gestão da manutenção, uma revisão sistemática foi elaborada por meio de pesquisas realizadas nas bases de dados IEEE, Scopus, ScienceDirect e Web of Science e o software Start foi utilizado no processo metodológico. Uma bancada experimental foi construída para permitir a captura de imagens de dentes de engrenagem por meio de câmeras endoscópicas. As imagens foram selecionadas, pré-processadas, armazenadas em um banco de dados e utilizadas no estudo experimental do framework proposto. Três métodos foram estudados no framework para a identificação de desgastes em engrenagens de dentes retos: detecção de bordas, extração de recursos Gray Level Co-occurrence Matrix (GLCM) aplicados em algoritmos de machine learning e deep learning com Convolutional Neural Network (CNN). Os resultados foram acurácia de 85% com o algoritmo de detecção de bordas, acima de 60% para o classificador Support Vector Machine (SVM) e superior a 70% para o classificador K - Nearest Neighbors (KNN), além disso o algoritmo PCA analisou o comportamento da combinação dos recursos energy, homogeneity, contrast, dissimilarity, entropy e correlation concluindo que o distanciamento gradativo dos componentes principais caracteriza a formação e avanço do desgaste e a Convolutional Neural Network (CNN) obteve acurácia de 99,999981% e taxa de loss de 1,8822 10 ^ 5 − no treinamento e CAR de 91,6666%, F1_Score de 90,9090% e Recall de 83,3334% durante a etapa de teste. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-10-28T18:14:21Z |
dc.date.available.fl_str_mv |
2021-10-28T18:14:21Z |
dc.date.issued.fl_str_mv |
2021-07-05 |
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 |
ALMEIDA, Jane Kelly Barbosa de. Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens. 2021. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Pernambuco, Caruaru, 2021. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/41474 |
identifier_str_mv |
ALMEIDA, Jane Kelly Barbosa de. Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens. 2021. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Pernambuco, Caruaru, 2021. |
url |
https://repositorio.ufpe.br/handle/123456789/41474 |
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 Engenharia de Producao / CAA |
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/123456789/41474/1/DISSERTA%c3%87%c3%83O%20Jane%20Kelly%20Barbosa%20de%20Almeida.pdf https://repositorio.ufpe.br/bitstream/123456789/41474/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/41474/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/41474/4/DISSERTA%c3%87%c3%83O%20Jane%20Kelly%20Barbosa%20de%20Almeida.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/41474/5/DISSERTA%c3%87%c3%83O%20Jane%20Kelly%20Barbosa%20de%20Almeida.pdf.jpg |
bitstream.checksum.fl_str_mv |
fdc3f4ad1c72d683838f221290d422df e39d27027a6cc9cb039ad269a5db8e34 bd573a5ca8288eb7272482765f819534 f23c69b24c29c2e52aa54e28ffbcb994 82e6739f92d5ebd8fa85d1f9d624f8e3 |
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_ |
1802310833606230016 |