Automatização de um processo de inspeção visual multiclasse com o uso de um sistema de visão computacional baseado em Deep Learning

• Autor(a) principal: Santos, Erick Erate dos
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional Uninter
• Texto Completo: https://repositorio.uninter.com/handle/1/1388
• topic: Inteligência Artificial; Aprendizado Profundo; Computer Vision

Graças a evolução no poder computacional e na quantidade de dados disponíveis, os sistemas de visão computacional baseados em técnicas de inteligência artificial conseguiram alcançar um desempenho superior aos sistemas de visão baseado em regras (COGNEX). Podemos citar como exemplo tarefas de inspeção visual, como classificação de imagens, vídeos e detecção de objetos no âmbito industrial. No entanto, após a avaliação dos sistemas de visão computacional disponíveis na indústria, identificou-se a inexistência da aplicação de um índice de capabilidade de processo. Esse índice serve para quantificar o nível de desempenho do processo em atender às especificações definidas pelo projeto. O sistema implementado neste trabalho (Mosaic Office) gera um relatório técnico com o índice de capabilidade potencial CP para avaliar a capacidade do processo inerente à inspeção visual multiclasse. Para construir um modelo de aprendizagem de máquina, este sistema utiliza a CNN ResNetV2 50 junto a duas implementações de algoritmos de treinamento disponíveis: Treinamento Clássico e Treinamento Contínuo. Foi aplicada uma ferramenta de geometria (ROI – Região de Interesse) para descartar informações de pixels irrelevantes às características de imagens avaliadas. Além disso, uma melhoria proposta pelo trabalho foi o uso de interfaces gráficas para expor ao usuário as técnicas de aprendizado profundo. O conjunto utilizado continha 28.287 imagens pré-classificadas em 6 classes. Em caráter de comparação de desempenho com um dos sistemas disponíveis na indústria, o Mosaic Office foi aproximadamente 99% mais rápido e aproximadamente 37% mais assertivo.