Classificação de peças mecânicas a partir de visão computacional e aprendizado de máquina utilizando imagens sintéticas

• Autor(a) principal: Rodrigues, João Vitor
• Data de Publicação: 2020
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/217435
• topic: Engenharia de controle e automação; Redes neurais; Processamento de dados; Aprendizado de máquina; Convolutional neural networks; Data processing; Machine learning; 3D CAD models; Synthetic images

Aplicações de aprendizado de máquina para reconhecimento de padrões têm crescido nos últimos anos e, atualmente, uma gama de estruturas e ferramentas permitem um rápido desenvolvimento em diversos domínios. Dentre as principais evoluções destaca-se a utilização de classificação e detecção de objetos em imagens a partir de redes neurais convolucionais profundas (Deep Convolutional Neural Networks). Um dos problemas observados ao desenvolver aplicações de aprendizagem de máquina é a necessidade de um grande volume de dados para treinamento das redes, que necessitam na ordem de centenas, por vezes milhares, de imagens com seus respectivos rótulos (labels). Consequentemente, a parte de processamento de dados é responsável pelo maior consumo de tempo, esforço computacional e manual. Dentro do contexto de aprendizado supervisionado, propõe-se o desenvolvimento de uma arquitetura de sistema para reconhecimento de peças mecânicas com uma solução para a geração de imagens sintéticas a partir dos modelos 3D das peças, através de ferramenta de modelagem gráfica, de maneira automática e escalável. O sistema permite gerar imagens sintéticas, variando diversos parâmetros, como iluminação do ambiente, textura, tamanho e pose das peças geradas no dataset. A validação da proposta baseou-se em alimentar uma rede neural convolucional para a classificação de peças mecânicas. Os testes realizados mostraram que a solução proposta é potencialmente útil para a a problemática de falta de dados no contexto de aprendizado de máquina voltado à classificação por imagens, e pode ser desenvolvida para aplicações em ambientes reais industriais.