Implementação de um framework de visão computacional para inspeção de qualidade no assoalho de automóveis

• Autor(a) principal: Sakuma, Decio Tomio [UNIFESP]
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNIFESP
• Texto Completo: https://hdl.handle.net/11600/70877
• topic: Inspeção de Qualidade; Sistema de Visão Computacional; Deep Learning; Indústria Automotiva

Inspeção de Qualidade é um tema de interesse no meio industrial. O processo de inspeção para detecção de defeitos na linha de produção é essencial para o controle da qualidade do produto final, sendo alocado estrategicamente em diversos setores da Fábrica para garantir os requisitos de qualidade do produto e satisfação do cliente. Os operadores de inspeção, mesmo que sejam bem treinados, não evitam que os defeitos sigam adiante na linha de produção. Dentro deste contexto, este trabalho visa a implementação de um framework de visão computacional para inspeção automática de qualidade no assoalho de automóveis. O trabalho inicia-se com uma revisão de literatura avaliando sistemas de visão computacional comumente aplicadas para detecção de defeitos de qualidade na indústria automotiva. Em seguida, avaliamos uma estrutura apropriada para instalação de hardware para aquisição e pré-processamento de imagens. O próximo passo foi analisar as arquiteturas de deep learnings usando dados sintéticos e dados reais extraídos do sistema de aquisição montados na linha de produção. A eficiência do framework de visão computacional está baseada na comparação do método de inspeção manual com o método de inspeção automática. Os resultados demonstram que a metodologia aplicada para validação deste framework para inspeção de peças no assoalho dos automóveis são consistentes e eficazes para uma verificação automática. Isto pode ser comprovado considerando que o modelo de Inteligência Artificial usado obteve acurácia superior à 95% e nos testes realizados na linha de produção alcançou uma eficácia de 100%, enquanto que no método manual o resultado foi de 74%.