Automatic defect recognition over x-ray tire images using deep learning

Detalhes bibliográficos
Autor(a) principal: Birck Lopes, Liasse
Data de Publicação: 2020
Tipo de documento: Trabalho de conclusão de curso
Idioma: eng
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/229606
Resumo: TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia de Controle e Automação.
id UFSC_400132bd96be17625614dba00df16f57
oai_identifier_str oai:repositorio.ufsc.br:123456789/229606
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Automatic defect recognition over x-ray tire images using deep learningIdentification de manière automatisée des défauts sur les images radiographiques des pneus par apprentissage approfondiDeep LearningImage ProcessingNon-Destructive TestingTCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia de Controle e Automação.The current CyXplus’s software, CyXPERT, is able to automatically detect, localize and classify defect for in-line X-ray tire inspection. However, it depends on a configuration that is the time-consuming and user-variant. This project proposes an automatic defect recognition on X-ray manufactured tire inspection by deep learning algorithm, a robust method with a smaller margin of error. It also proposes processing and augmentation of the database, which are the prerequisites to carry out the learning of a neural network. A computer vision approaches called classification was chosen to be developed. It presented good results with high accuracy, however it has a significant number of false detection and in addition the defect localization is done by large zone areas. Due to the complicated nature of deep learning algorithms there is still a significant amount of work to be done before applying this algorithm in the industry. But generally, the project had promising results and a good evolution.O software atual da CyXplus, CyXPERT, é capaz de detectar, localizar e classificar automaticamente defeitos para inspeção de pneus de raio X em linha de produção. No entanto, depende de uma configuração que consome muito tempo e é variável entre usuários. Este projeto propõe um reconhecimento automático do defeito na inspeção de raios X de pneus fabricados por um algoritmo de deep learning, um método robusto com uma margem de erro menor. Ele também propõe o processamento e a ampliação do banco de dados, que são os pré-requisitos para realizar o aprendizado de uma rede neural. Foi escolhido para ser desenvolvido um método de visão por computador chamado classificação. O qual apresentou bons resultados com alta precisão, porém tem um número significativo de falsas detecções e, além disso, a localização do defeito é feita por grandes zonas. Devido à natureza complicada dos algoritmos de deep learning, ainda há uma quantidade significativa de trabalho a ser feito antes da aplicação deste algoritmo na indústria. Mas no geral, o projeto teve resultados promissores e uma boa evolução.Grenoble, FrançaGranjon, PierreInstitut Polytechnique de GrenobleBirck Lopes, Liasse2021-11-03T20:48:04Z2021-11-03T20:48:04Z2020-07-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis48application/pdfhttps://repositorio.ufsc.br/handle/123456789/229606info:eu-repo/semantics/openAccessengreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2021-11-03T20:48:06Zoai:repositorio.ufsc.br:123456789/229606Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732021-11-03T20:48:06Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Automatic defect recognition over x-ray tire images using deep learning
Identification de manière automatisée des défauts sur les images radiographiques des pneus par apprentissage approfondi
title Automatic defect recognition over x-ray tire images using deep learning
spellingShingle Automatic defect recognition over x-ray tire images using deep learning
Birck Lopes, Liasse
Deep Learning
Image Processing
Non-Destructive Testing
title_short Automatic defect recognition over x-ray tire images using deep learning
title_full Automatic defect recognition over x-ray tire images using deep learning
title_fullStr Automatic defect recognition over x-ray tire images using deep learning
title_full_unstemmed Automatic defect recognition over x-ray tire images using deep learning
title_sort Automatic defect recognition over x-ray tire images using deep learning
author Birck Lopes, Liasse
author_facet Birck Lopes, Liasse
author_role author
dc.contributor.none.fl_str_mv Granjon, Pierre
Institut Polytechnique de Grenoble
dc.contributor.author.fl_str_mv Birck Lopes, Liasse
dc.subject.por.fl_str_mv Deep Learning
Image Processing
Non-Destructive Testing
topic Deep Learning
Image Processing
Non-Destructive Testing
description TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia de Controle e Automação.
publishDate 2020
dc.date.none.fl_str_mv 2020-07-03
2021-11-03T20:48:04Z
2021-11-03T20:48:04Z
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 https://repositorio.ufsc.br/handle/123456789/229606
url https://repositorio.ufsc.br/handle/123456789/229606
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 48
application/pdf
dc.publisher.none.fl_str_mv Grenoble, França
publisher.none.fl_str_mv Grenoble, França
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808651995212414976