Sistema de inspeção visual de placas de circuito impresso
Autor(a) principal: | |
---|---|
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/10183/217436 |
Resumo: | A inspeção de qualidade de produtos na Indústria Brasileira ainda é manual ou pouco automatizada. Através da automatização dessa tarefa, é possível aumentar a produtividade e a qualidade do produto final. Com esse intuito, este trabalho visa desenvolver uma solução de inspeção automática visual de placas de circuito impresso. Através de imagens capturadas de placas de circuito impresso e de técnicas de processamento digital de imagens, é proposto o desenvolvimento de um modelo de aprendizagem de máquina capaz de classificar determinados componentes ou a ausência deles em placas de circuito impresso SMD (Surface-Mount Device). Além da classificação, o sistema é capaz de inspecionar o posicionamento do componente, gerando um alerta para componentes rotacionados e deslocados. As SVMs (Máquinas de Vetores de Suporte) consistem na técnica de aprendizado de máquina utilizada na implementação do classificador. O modelo recebe como entrada um vetor de características que representa a forma, textura e cor das imagens dos componentes. As características de forma e textura são obtidas pelo HOG (Histograma de Gradientes Orientados) e a cor é caracterizada pelo histograma da imagem no espaço HSV (Hue, Saturation, Value). O modelo de classificação implementado alcançou uma acurácia de 98,7% nas imagens testadas. |
id |
UFRGS-2_228ff28bc0579d7688ff8347f5941651 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/217436 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Lameira, Lucas MeurerBalen, Tiago Roberto2021-01-19T04:10:31Z2020http://hdl.handle.net/10183/217436001120788A inspeção de qualidade de produtos na Indústria Brasileira ainda é manual ou pouco automatizada. Através da automatização dessa tarefa, é possível aumentar a produtividade e a qualidade do produto final. Com esse intuito, este trabalho visa desenvolver uma solução de inspeção automática visual de placas de circuito impresso. Através de imagens capturadas de placas de circuito impresso e de técnicas de processamento digital de imagens, é proposto o desenvolvimento de um modelo de aprendizagem de máquina capaz de classificar determinados componentes ou a ausência deles em placas de circuito impresso SMD (Surface-Mount Device). Além da classificação, o sistema é capaz de inspecionar o posicionamento do componente, gerando um alerta para componentes rotacionados e deslocados. As SVMs (Máquinas de Vetores de Suporte) consistem na técnica de aprendizado de máquina utilizada na implementação do classificador. O modelo recebe como entrada um vetor de características que representa a forma, textura e cor das imagens dos componentes. As características de forma e textura são obtidas pelo HOG (Histograma de Gradientes Orientados) e a cor é caracterizada pelo histograma da imagem no espaço HSV (Hue, Saturation, Value). O modelo de classificação implementado alcançou uma acurácia de 98,7% nas imagens testadas.The quality inspection of final products in the Brazilian Industry is still manual or very little automated. Through the automation of this task, it is possible to increase productivity and product quality. To this end, this work aims to develop a printed circuit board automated inspection system. Therefore, a machine learning model capable of classifying SMD (Surface-Mount Device) components is proposed. In addition to the image classification, the system is able to inspect the component’s position, generating an alert for rotated and displaced components. SVMs (Support Vector Machines) are the machine learning technique used in the implementation of the classifier. The model receives as input a feature vector that contains information describing the shape, texture and color of the images. The shape and texture features are computed using HOG (Histogram of Oriented Gradients) and the color descriptor is created by calculating the histogram of the image in the HSV (Hue, Saturation and Value) color space. The model achieved an accuracy of 98.7% on the test images.application/pdfporVisão computacionalProcessamento de imagensPlaca de circuito impressoComputer visionDigital image processingAutomatic optical inspectionPrinted circuit boardSistema de inspeção visual de placas de circuito impressoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPorto Alegre, BR-RS2020Engenharia Elétricagraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001120788.pdf.txt001120788.pdf.txtExtracted Texttext/plain104541http://www.lume.ufrgs.br/bitstream/10183/217436/2/001120788.pdf.txt3cbe27c811608d4498ee09be06469f6cMD52ORIGINAL001120788.pdfTexto completoapplication/pdf8277468http://www.lume.ufrgs.br/bitstream/10183/217436/1/001120788.pdf4fe6dc0262873af0fa02775cbf1b0c64MD5110183/2174362022-02-22 04:52:10.498779oai:www.lume.ufrgs.br:10183/217436Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2022-02-22T07:52:10Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Sistema de inspeção visual de placas de circuito impresso |
title |
Sistema de inspeção visual de placas de circuito impresso |
spellingShingle |
Sistema de inspeção visual de placas de circuito impresso Lameira, Lucas Meurer Visão computacional Processamento de imagens Placa de circuito impresso Computer vision Digital image processing Automatic optical inspection Printed circuit board |
title_short |
Sistema de inspeção visual de placas de circuito impresso |
title_full |
Sistema de inspeção visual de placas de circuito impresso |
title_fullStr |
Sistema de inspeção visual de placas de circuito impresso |
title_full_unstemmed |
Sistema de inspeção visual de placas de circuito impresso |
title_sort |
Sistema de inspeção visual de placas de circuito impresso |
author |
Lameira, Lucas Meurer |
author_facet |
Lameira, Lucas Meurer |
author_role |
author |
dc.contributor.author.fl_str_mv |
Lameira, Lucas Meurer |
dc.contributor.advisor1.fl_str_mv |
Balen, Tiago Roberto |
contributor_str_mv |
Balen, Tiago Roberto |
dc.subject.por.fl_str_mv |
Visão computacional Processamento de imagens Placa de circuito impresso |
topic |
Visão computacional Processamento de imagens Placa de circuito impresso Computer vision Digital image processing Automatic optical inspection Printed circuit board |
dc.subject.eng.fl_str_mv |
Computer vision Digital image processing Automatic optical inspection Printed circuit board |
description |
A inspeção de qualidade de produtos na Indústria Brasileira ainda é manual ou pouco automatizada. Através da automatização dessa tarefa, é possível aumentar a produtividade e a qualidade do produto final. Com esse intuito, este trabalho visa desenvolver uma solução de inspeção automática visual de placas de circuito impresso. Através de imagens capturadas de placas de circuito impresso e de técnicas de processamento digital de imagens, é proposto o desenvolvimento de um modelo de aprendizagem de máquina capaz de classificar determinados componentes ou a ausência deles em placas de circuito impresso SMD (Surface-Mount Device). Além da classificação, o sistema é capaz de inspecionar o posicionamento do componente, gerando um alerta para componentes rotacionados e deslocados. As SVMs (Máquinas de Vetores de Suporte) consistem na técnica de aprendizado de máquina utilizada na implementação do classificador. O modelo recebe como entrada um vetor de características que representa a forma, textura e cor das imagens dos componentes. As características de forma e textura são obtidas pelo HOG (Histograma de Gradientes Orientados) e a cor é caracterizada pelo histograma da imagem no espaço HSV (Hue, Saturation, Value). O modelo de classificação implementado alcançou uma acurácia de 98,7% nas imagens testadas. |
publishDate |
2020 |
dc.date.issued.fl_str_mv |
2020 |
dc.date.accessioned.fl_str_mv |
2021-01-19T04:10:31Z |
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 |
http://hdl.handle.net/10183/217436 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001120788 |
url |
http://hdl.handle.net/10183/217436 |
identifier_str_mv |
001120788 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/217436/2/001120788.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/217436/1/001120788.pdf |
bitstream.checksum.fl_str_mv |
3cbe27c811608d4498ee09be06469f6c 4fe6dc0262873af0fa02775cbf1b0c64 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224600814616576 |