Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning

Detalhes bibliográficos
Autor(a) principal: Mazzetto, Muriel
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/4607
Resumo: O processo de produção industrial capaz de produzir simultaneamente múltiplos tipos de produtos sobre a mesma linha de fabricação define um modelo industrial denominado de manufatura flexível. Um exemplo de manufatura flexível é o da indústria automotiva, que fabrica diferentes modelos de veículos sobre a mesma planta, cada um composto por um conjunto próprio de componentes. Nesse tipo de ambiente, é comum que os conjuntos de peças sejam inicialmente separados por operadores humanos para, posteriormente, serem manipulados por robôs. Como essa evolução depende da percepção humana, passa a ser um procedimento suscetível a erros de conformidade, situação em que elementos de manufatura podem não pertencer ao mesmo modelo do produto fabricado. Tal tarefa passou, recentemente, a ser complementada por percepção artificial advinda de sistemas de visão computacional (SVCs), que são compostos por câmera e um computador embarcado, para aquisição, processamento e classificação de imagens. Esses sistemas podem ser utilizados para verificar possíveis defeitos e atestar sobre a conformidade ou não de componentes nas linhas de produção. Apesar da relevância prática, a eficiência de um SVC convencional depende do controle da iluminação, enclausuramento e parada da linha para a fixação das peças, o que encarece a solução e reverte grande parte dos seus benefícios. Além disso, os métodos tradicionais de vis˜ao possuem etapas de parametrização manuais dependentes de um especialista. Recentemente, na literatura tem se abordado métodos baseados em deep learning (DL) para contornar esses problemas. Essa abordagem busca imitar a capacidade humana de aprendizado e reconhecimento de padrões, através da abstração de características de um conjunto de imagens. Essa propriedade tende a agregar robustez aos SVCs e reduzir a necessidade de controle do ambiente e da percepção humana para definição de parâmetros. Este trabalho propõe uma alternativa baseada em deep learning, de aprendizado supervisionado, para a detecção e classificação de múltiplos componentes em linhas de montagem automotiva flexível supervisionado, para detecção de objetos. Quando supervisionados, esses algoritmos requerem um conjunto de imagens como base de treino. Além das imagens, devem ser identificadas a região e a classe de cada objeto. Essa identificação consiste apenas em definir uma regi˜ao que delimite o objeto alvo e sua respectiva classe. A solução o não requer intervenções no ambiente operacional, tampouco a parada da linha de produção para coleta e análise de imagens, agregando eficiência e eficácia ao processo produtivo sem depender excessivamente de percepção humana. A abordagem ´e ilustrada por meio de dois estudos de caso conduzidos sobre uma planta real de montagem de veículos.
id UTFPR-12_01b8c7d741a5122e5d112705245777e0
oai_identifier_str oai:repositorio.utfpr.edu.br:1/4607
network_acronym_str UTFPR-12
network_name_str Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
repository_id_str
spelling 2019-12-16T13:48:59Z2019-12-16T13:48:59Z2019-11-21MAZZETTO, Muriel. Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning. 2019. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2019.http://repositorio.utfpr.edu.br/jspui/handle/1/4607O processo de produção industrial capaz de produzir simultaneamente múltiplos tipos de produtos sobre a mesma linha de fabricação define um modelo industrial denominado de manufatura flexível. Um exemplo de manufatura flexível é o da indústria automotiva, que fabrica diferentes modelos de veículos sobre a mesma planta, cada um composto por um conjunto próprio de componentes. Nesse tipo de ambiente, é comum que os conjuntos de peças sejam inicialmente separados por operadores humanos para, posteriormente, serem manipulados por robôs. Como essa evolução depende da percepção humana, passa a ser um procedimento suscetível a erros de conformidade, situação em que elementos de manufatura podem não pertencer ao mesmo modelo do produto fabricado. Tal tarefa passou, recentemente, a ser complementada por percepção artificial advinda de sistemas de visão computacional (SVCs), que são compostos por câmera e um computador embarcado, para aquisição, processamento e classificação de imagens. Esses sistemas podem ser utilizados para verificar possíveis defeitos e atestar sobre a conformidade ou não de componentes nas linhas de produção. Apesar da relevância prática, a eficiência de um SVC convencional depende do controle da iluminação, enclausuramento e parada da linha para a fixação das peças, o que encarece a solução e reverte grande parte dos seus benefícios. Além disso, os métodos tradicionais de vis˜ao possuem etapas de parametrização manuais dependentes de um especialista. Recentemente, na literatura tem se abordado métodos baseados em deep learning (DL) para contornar esses problemas. Essa abordagem busca imitar a capacidade humana de aprendizado e reconhecimento de padrões, através da abstração de características de um conjunto de imagens. Essa propriedade tende a agregar robustez aos SVCs e reduzir a necessidade de controle do ambiente e da percepção humana para definição de parâmetros. Este trabalho propõe uma alternativa baseada em deep learning, de aprendizado supervisionado, para a detecção e classificação de múltiplos componentes em linhas de montagem automotiva flexível supervisionado, para detecção de objetos. Quando supervisionados, esses algoritmos requerem um conjunto de imagens como base de treino. Além das imagens, devem ser identificadas a região e a classe de cada objeto. Essa identificação consiste apenas em definir uma regi˜ao que delimite o objeto alvo e sua respectiva classe. A solução o não requer intervenções no ambiente operacional, tampouco a parada da linha de produção para coleta e análise de imagens, agregando eficiência e eficácia ao processo produtivo sem depender excessivamente de percepção humana. A abordagem ´e ilustrada por meio de dois estudos de caso conduzidos sobre uma planta real de montagem de veículos.The industrial production process capable of simultaneously producing multiple types of products on the same manufacturing line defines an industrial model called flexible manufacturing. An example of flexible manufacturing is observed in the automotive industry, which manufactures different car models on the same plant, each composed of its own set of components. In this type of environment, it is common for part sets to be initially separated by human operators and subsequently manipulated by robots. As this process depends on human perception, it is susceptible to errors of conformity, a situation in which elements of manufacture may not belong to the same model of the manufactured product. This task has recently been complemented by artificial perception from computer vision systems (CSVs), camera-based systems and an embedded computer for image acquisition, processing and classification. These systems can be used to check for defects and to attest to the conformity of the components. Despite the practical relevance, the efficiency of a conventional CSV depends on the control of lighting, closure and stop of the line for the fixation of the parts, which makes the solution expensive and reverses most of its benefits. In addition, traditional methods have manual parameter assignment steps dependent on a specialist. Recently, the literature has addressed methods based on deep learning (DL) to overcome these problems. This approach seeks to imitate the human capacity for learning and pattern recognition, through the abstraction of characteristics of a set of images. This feature adds robustness to SVC, reducing the need for environmental control and human perception for parameter definition. This paper proposes a supervised learning deep text alternative for detecting multiple components in supervised flexible automotive assembly lines for object detection and classification. When supervised, these algorithms require a set of images as a training base. In addition to the images, the region and class of each object must be identified. This identification consists only of defining a region that delimits the target object and its respective class. Still, the solution does not require interventions in the operating environment, neither the stop of the production line for image collection and analysis. The approach is illustrated by two case studies conducted on an actual vehicle assembly plant.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Fundação Araucária de Apoio ao Desenvolvimento Científico e Tecnológico do ParanáporUniversidade Tecnológica Federal do ParanáPato BrancoPrograma de Pós-Graduação em Engenharia ElétricaUTFPRBrasilCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAEngenharia/Tecnologia/GestãoVisão por computadorProcessamento de imagensAprendizado do computadorRedes neurais (Computação)Computer visionImage processingMachine learningNeural networks (Computer science)Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learningDetection and classification of components in automotive assembly line using deep learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisPato BrancoTeixeira, Marcelohttp://lattes.cnpq.br/8925349327322997Casanova, Dalcimarhttp://lattes.cnpq.br/4155115530052195Brun, André Luizhttp://lattes.cnpq.br/4617587198467560Casanova, Dalcimarhttp://lattes.cnpq.br/4155115530052195Cavalcanti, Pablo Gauteriohttp://lattes.cnpq.br/7803338696833069Lopes, Yuri Kaszubowskihttp://lattes.cnpq.br/6645986822120975http://lattes.cnpq.br/6121503054006294Mazzetto, Murielinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRORIGINALlinhamontagemautomotivadeeplearning.pdfapplication/pdf31480107http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4607/1/linhamontagemautomotivadeeplearning.pdfe057fc0b5aa0593c91a509aa558021d5MD51TEXTlinhamontagemautomotivadeeplearning.pdf.txtlinhamontagemautomotivadeeplearning.pdf.txtExtracted texttext/plain116021http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4607/2/linhamontagemautomotivadeeplearning.pdf.txtc92e48443894a6d341cea54fc3638022MD52THUMBNAILlinhamontagemautomotivadeeplearning.pdf.jpglinhamontagemautomotivadeeplearning.pdf.jpgGenerated Thumbnailimage/jpeg1221http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4607/3/linhamontagemautomotivadeeplearning.pdf.jpg41a1ca6ff1464a883a21773f220da48fMD531/46072019-12-17 04:00:53.02oai:repositorio.utfpr.edu.br:1/4607Repositório de PublicaçõesPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestopendoar:2019-12-17T06:00:53Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false
dc.title.pt_BR.fl_str_mv Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning
dc.title.alternative.pt_BR.fl_str_mv Detection and classification of components in automotive assembly line using deep learning
title Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning
spellingShingle Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning
Mazzetto, Muriel
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Visão por computador
Processamento de imagens
Aprendizado do computador
Redes neurais (Computação)
Computer vision
Image processing
Machine learning
Neural networks (Computer science)
Engenharia/Tecnologia/Gestão
title_short Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning
title_full Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning
title_fullStr Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning
title_full_unstemmed Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning
title_sort Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning
author Mazzetto, Muriel
author_facet Mazzetto, Muriel
author_role author
dc.contributor.advisor1.fl_str_mv Teixeira, Marcelo
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/8925349327322997
dc.contributor.advisor-co1.fl_str_mv Casanova, Dalcimar
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/4155115530052195
dc.contributor.referee1.fl_str_mv Brun, André Luiz
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/4617587198467560
dc.contributor.referee2.fl_str_mv Casanova, Dalcimar
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/4155115530052195
dc.contributor.referee3.fl_str_mv Cavalcanti, Pablo Gauterio
dc.contributor.referee3Lattes.fl_str_mv http://lattes.cnpq.br/7803338696833069
dc.contributor.referee4.fl_str_mv Lopes, Yuri Kaszubowski
dc.contributor.referee4Lattes.fl_str_mv http://lattes.cnpq.br/6645986822120975
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/6121503054006294
dc.contributor.author.fl_str_mv Mazzetto, Muriel
contributor_str_mv Teixeira, Marcelo
Casanova, Dalcimar
Brun, André Luiz
Casanova, Dalcimar
Cavalcanti, Pablo Gauterio
Lopes, Yuri Kaszubowski
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
topic CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Visão por computador
Processamento de imagens
Aprendizado do computador
Redes neurais (Computação)
Computer vision
Image processing
Machine learning
Neural networks (Computer science)
Engenharia/Tecnologia/Gestão
dc.subject.por.fl_str_mv Visão por computador
Processamento de imagens
Aprendizado do computador
Redes neurais (Computação)
Computer vision
Image processing
Machine learning
Neural networks (Computer science)
dc.subject.capes.pt_BR.fl_str_mv Engenharia/Tecnologia/Gestão
description O processo de produção industrial capaz de produzir simultaneamente múltiplos tipos de produtos sobre a mesma linha de fabricação define um modelo industrial denominado de manufatura flexível. Um exemplo de manufatura flexível é o da indústria automotiva, que fabrica diferentes modelos de veículos sobre a mesma planta, cada um composto por um conjunto próprio de componentes. Nesse tipo de ambiente, é comum que os conjuntos de peças sejam inicialmente separados por operadores humanos para, posteriormente, serem manipulados por robôs. Como essa evolução depende da percepção humana, passa a ser um procedimento suscetível a erros de conformidade, situação em que elementos de manufatura podem não pertencer ao mesmo modelo do produto fabricado. Tal tarefa passou, recentemente, a ser complementada por percepção artificial advinda de sistemas de visão computacional (SVCs), que são compostos por câmera e um computador embarcado, para aquisição, processamento e classificação de imagens. Esses sistemas podem ser utilizados para verificar possíveis defeitos e atestar sobre a conformidade ou não de componentes nas linhas de produção. Apesar da relevância prática, a eficiência de um SVC convencional depende do controle da iluminação, enclausuramento e parada da linha para a fixação das peças, o que encarece a solução e reverte grande parte dos seus benefícios. Além disso, os métodos tradicionais de vis˜ao possuem etapas de parametrização manuais dependentes de um especialista. Recentemente, na literatura tem se abordado métodos baseados em deep learning (DL) para contornar esses problemas. Essa abordagem busca imitar a capacidade humana de aprendizado e reconhecimento de padrões, através da abstração de características de um conjunto de imagens. Essa propriedade tende a agregar robustez aos SVCs e reduzir a necessidade de controle do ambiente e da percepção humana para definição de parâmetros. Este trabalho propõe uma alternativa baseada em deep learning, de aprendizado supervisionado, para a detecção e classificação de múltiplos componentes em linhas de montagem automotiva flexível supervisionado, para detecção de objetos. Quando supervisionados, esses algoritmos requerem um conjunto de imagens como base de treino. Além das imagens, devem ser identificadas a região e a classe de cada objeto. Essa identificação consiste apenas em definir uma regi˜ao que delimite o objeto alvo e sua respectiva classe. A solução o não requer intervenções no ambiente operacional, tampouco a parada da linha de produção para coleta e análise de imagens, agregando eficiência e eficácia ao processo produtivo sem depender excessivamente de percepção humana. A abordagem ´e ilustrada por meio de dois estudos de caso conduzidos sobre uma planta real de montagem de veículos.
publishDate 2019
dc.date.accessioned.fl_str_mv 2019-12-16T13:48:59Z
dc.date.available.fl_str_mv 2019-12-16T13:48:59Z
dc.date.issued.fl_str_mv 2019-11-21
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.citation.fl_str_mv MAZZETTO, Muriel. Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning. 2019. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2019.
dc.identifier.uri.fl_str_mv http://repositorio.utfpr.edu.br/jspui/handle/1/4607
identifier_str_mv MAZZETTO, Muriel. Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning. 2019. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2019.
url http://repositorio.utfpr.edu.br/jspui/handle/1/4607
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Tecnológica Federal do Paraná
Pato Branco
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Engenharia Elétrica
dc.publisher.initials.fl_str_mv UTFPR
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Universidade Tecnológica Federal do Paraná
Pato Branco
dc.source.none.fl_str_mv reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
instname:Universidade Tecnológica Federal do Paraná (UTFPR)
instacron:UTFPR
instname_str Universidade Tecnológica Federal do Paraná (UTFPR)
instacron_str UTFPR
institution UTFPR
reponame_str Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
collection Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
bitstream.url.fl_str_mv http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4607/1/linhamontagemautomotivadeeplearning.pdf
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4607/2/linhamontagemautomotivadeeplearning.pdf.txt
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4607/3/linhamontagemautomotivadeeplearning.pdf.jpg
bitstream.checksum.fl_str_mv e057fc0b5aa0593c91a509aa558021d5
c92e48443894a6d341cea54fc3638022
41a1ca6ff1464a883a21773f220da48f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)
repository.mail.fl_str_mv
_version_ 1805922897066196992