Aplicação de "deep learning" para detecção de anomalias : Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos

Detalhes bibliográficos
Autor(a) principal: Fonseca, Luis Augusto Libório Oliveira, 1995-
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/20341
Resumo: Orientador: Yuzo Iano
id UNICAMP-30_9ae24d5343b60639118f234b306ad8e9
oai_identifier_str oai::1396706
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Aplicação de "deep learning" para detecção de anomalias : Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicosDeep learning application for anomaly detection : A case study about industrial systems optimization for electronic devices manufacturingAprendizado profundoDetecção de anomaliasMetacogniçãoAprendizado de máquinaProcessos industriaisDeep learningAnomaly detectionMeta learningMachine learningIndustrial processesOrientador: Yuzo IanoDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Este trabalho apresenta uma solução para a identificação de anomalias em placas eletrônicas por meio de redes neurais artificiais. O método proposto neste trabalho tem por objetivo explorar metodologias de "deep learning" direcionadas à inspeção visual de componentes eletrônicos em linhas de manufatura, abordando as peculiaridades dos dados inerentes a esse tipo de ambiente, buscando desenvolver um sistema de inspeção de anomalias em dispositivos portáteis que comporte maior robustez sob diferentes cenários. O fenômeno da perda de efetividade perante mudanças no domínio dos dados em que o sistema foi treinado é trabalhado nesse contexto, acompanhando a alta taxa de rotatividade nos ciclos de produção, estando constantemente vulneráveis ao denominado "concept drift". O método proposto é então treinado sob diferentes condições e validado diante de simulações de "concept drift". Os resultados alcançados mostram uma pontuação F1 média superior a 0,98, considerando uma validação cruzada de quatro estágios em cenário de "concept drift"Abstract: This work presents a solution for the identification of anomalies in electronic boards through artificial neural networks. The method proposed in this work aims to explore Deep Learning methodologies at the visual inspection of electronic components in manufacturing lines, addressing the peculiarities of the data inherent in this type of environment, seeking to develop a system for inspecting anomalies in portable devices that includes greater robustness under different scenarios. The phenomenon of loss of effectiveness in the face of changes in the data domain on which the system was trained is worked on in this context, following the high rate of turnover in production cycles, being constantly vulnerable to the so-called concept drift. The proposed method is then trained under different conditions and validated under concept drift conditions. The results achieved show an average F1 score greater than 0.98, considering a four-stage cross-folder validation under concept driftAbertoMestradoTelecomunicações e TelemáticaMestre em Engenharia ElétricaFuncamp11051-23[s.n.]Iano, Yuzo, 1950-Oliveira, Gabriel Gomes deJordão, Kelem Christine PereiraCarnielli, Giulliano PaesSaotome, OsamuUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASFonseca, Luis Augusto Libório Oliveira, 1995-20232023-03-02T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (62 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/20341FONSECA, Luis Augusto Libório Oliveira. Aplicação de "deep learning" para detecção de anomalias: Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos. 2023. 1 recurso online (62 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/20341. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1396706Cover: https://repositorio.unicamp.br/capa/capa?codigo=1396706Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2024-08-22T14:36:19Zoai::1396706Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2024-08-22T14:36:19Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Aplicação de "deep learning" para detecção de anomalias : Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos
Deep learning application for anomaly detection : A case study about industrial systems optimization for electronic devices manufacturing
title Aplicação de "deep learning" para detecção de anomalias : Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos
spellingShingle Aplicação de "deep learning" para detecção de anomalias : Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos
Fonseca, Luis Augusto Libório Oliveira, 1995-
Aprendizado profundo
Detecção de anomalias
Metacognição
Aprendizado de máquina
Processos industriais
Deep learning
Anomaly detection
Meta learning
Machine learning
Industrial processes
title_short Aplicação de "deep learning" para detecção de anomalias : Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos
title_full Aplicação de "deep learning" para detecção de anomalias : Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos
title_fullStr Aplicação de "deep learning" para detecção de anomalias : Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos
title_full_unstemmed Aplicação de "deep learning" para detecção de anomalias : Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos
title_sort Aplicação de "deep learning" para detecção de anomalias : Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos
author Fonseca, Luis Augusto Libório Oliveira, 1995-
author_facet Fonseca, Luis Augusto Libório Oliveira, 1995-
author_role author
dc.contributor.none.fl_str_mv Iano, Yuzo, 1950-
Oliveira, Gabriel Gomes de
Jordão, Kelem Christine Pereira
Carnielli, Giulliano Paes
Saotome, Osamu
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Fonseca, Luis Augusto Libório Oliveira, 1995-
dc.subject.por.fl_str_mv Aprendizado profundo
Detecção de anomalias
Metacognição
Aprendizado de máquina
Processos industriais
Deep learning
Anomaly detection
Meta learning
Machine learning
Industrial processes
topic Aprendizado profundo
Detecção de anomalias
Metacognição
Aprendizado de máquina
Processos industriais
Deep learning
Anomaly detection
Meta learning
Machine learning
Industrial processes
description Orientador: Yuzo Iano
publishDate 2023
dc.date.none.fl_str_mv 2023
2023-03-02T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/20341
FONSECA, Luis Augusto Libório Oliveira. Aplicação de "deep learning" para detecção de anomalias: Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos. 2023. 1 recurso online (62 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/20341. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/20341
identifier_str_mv FONSECA, Luis Augusto Libório Oliveira. Aplicação de "deep learning" para detecção de anomalias: Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos. 2023. 1 recurso online (62 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/20341. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1396706
Cover: https://repositorio.unicamp.br/capa/capa?codigo=1396706
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (62 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189200413589504