Automatic defect recognition over x-ray tire images using deep learning
Autor(a) principal: | |
---|---|
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 |