Aplicação de "deep learning" para detecção de anomalias : Um estudo de caso sobre otimização de sistemas industriais para fabricação de dispositivos eletrônicos
Autor(a) principal: | |
---|---|
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 |