Redes neurais convolucionais profundas aplicadas na inspeção radiográfica de juntas soldadas

• Autor(a) principal: Suyama, Fernando Moreira
• Data de Publicação: 2020
• Tipo de documento: Tese
• 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/1/24985
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Redes neurais (Computação); Testes não-destrutivos; Solda e soldagem; Inteligência artificial; Aprendizado de Máquina; Visão Computacional; Radiografia; Juntas (Engenharia); Processamento de imagens; Tubulação; Soldagem; Neural networks (Computer science); Non-destructive testing; Solder and soldering; Artificial intelligence; Machine learning; Computer vision; Radiography; Joints (Engineering); Image processing; Piping; Welding; Engenharia Elétrica

Inspeções periódicas em tubulações e dutos, realizadas em geral com base em ensaios não destrutivos, são fundamentais para garantir segurança, qualidade e confiabilidade de instalações petroquímicas. O uso de aprendizado profundo tem ganhado destaque em diferentes domínios de aplicação, mas no contexto de inspeção radiográfica de tubulações petrolíferas seu uso é recente. Este trabalho propõe um conjunto de métodos baseados em redes convolucionais profundas para o suporte à atividade de inspeção radiográfica de juntas soldadas em tubulações de petróleo. As abordagens propostas nesta pesquisa atuam na identificação automática de defeitos de soldagem que podem comprometer a estrutura de instalações e equipamentos em análise. Para tanto, o problema é tratado considerando-se duas fases: (i) detecção da junta soldada e (ii) segmentação semântica dos defeitos de soldagem. A detecção da junta soldada, cuja metodologia representa uma das principais inovações alcançadas no trabalho, identifica e classifica regiões sobre radiografias com exposição Parede Dupla Vista Dupla de juntas soldadas de tubulações de petróleo. A segmentação semântica dos defeitos, por outro lado, localiza os defeitos na junta soldada em nível de pixel, a partir de amostras extraídas por meio de janelas deslizantes, para investigar um método de segmentação de inferência composta proposto neste trabalho. Vale destacar os desafios impostos pela base de dados real considerada, tendo em vista a falta de contraste e alto nível de ruído presentes na maioria das imagens. As principais contribuições alcançadas nesta tese consistem na análise da robustez de diferentes arquiteturas convolucionais profundas aos ruídos branco e impulsivo na inspeção radiográfica e na proposta de mecanismos inovadores na composição de inferências para localizar os defeitos de soldagem pixel a pixel. Considerando os diferentes grupos de teste, as melhores configurações resultaram em um F-score médio de 96% na detecção de juntas soldadas. Já na detecção de defeitos de soldagem, o F-score médio foi de 57% na segmentação semântica, ou seja, no nível de pixels, e 79% em tarefas de detecção, ou seja, no nível de objetos (defeitos).