Publicação
Sistema de controlo de qualidade de unidades sensoriais, recorrendo a inteligência artificial
| Resumo: | Este estudo investiga a aplicação de redes neuronais na deteção de anomalias em peças sensoriais de plástico no ambiente industrial. O principal objetivo é criar um sistema eficiente de controle da qualidade, utilizando técnicas de inteligência artificial, especialmente redes neuronais convolucionais (CNNs), para analisar imagens obtidas de diversas câmaras em diferentes formatos (RGB e escala de cinza). Este projeto emprega conjuntos de dados e técnicas de aumento de dados para treinar a rede, a fim de diferenciar peças defeituosas (NOK) de peças em perfeito estado (OK). Sendo as peças defeituosas diferenciadas maioritariamente por ter o snap partido, ou com alguma anomalia brusca que saia fora do normal. A metodologia abrange o desenvolvimento e treinamento de modelos baseados na biblioteca anomalib, no que toca a deteção de anomalias. Os resultados indicaram uma elevada precisão na identificação de anomalias, com métricas como F1-score e matriz de confusão evidenciando a eficácia do modelo em situações reais. Os resultados indicam a viabilidade de sistemas automáticos para a deteção de defeitos, otimizando o tempo de produção e minimizando erros humanos no processo de inspeção de qualidade. |
|---|---|
| Autores principais: | Freitas, João Pedro Fernandes |
| Assunto: | Redes neuronais convolucionais Deteção de anomalias Controlo de qualidade Inteligência artificial Aprendizagem Máquina |
| Ano: | 2024 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso restrito |
| Instituição associada: | Instituto Politécnico de Bragança |
| Idioma: | português |
| Origem: | Biblioteca Digital do IPB |
| Resumo: | Este estudo investiga a aplicação de redes neuronais na deteção de anomalias em peças sensoriais de plástico no ambiente industrial. O principal objetivo é criar um sistema eficiente de controle da qualidade, utilizando técnicas de inteligência artificial, especialmente redes neuronais convolucionais (CNNs), para analisar imagens obtidas de diversas câmaras em diferentes formatos (RGB e escala de cinza). Este projeto emprega conjuntos de dados e técnicas de aumento de dados para treinar a rede, a fim de diferenciar peças defeituosas (NOK) de peças em perfeito estado (OK). Sendo as peças defeituosas diferenciadas maioritariamente por ter o snap partido, ou com alguma anomalia brusca que saia fora do normal. A metodologia abrange o desenvolvimento e treinamento de modelos baseados na biblioteca anomalib, no que toca a deteção de anomalias. Os resultados indicaram uma elevada precisão na identificação de anomalias, com métricas como F1-score e matriz de confusão evidenciando a eficácia do modelo em situações reais. Os resultados indicam a viabilidade de sistemas automáticos para a deteção de defeitos, otimizando o tempo de produção e minimizando erros humanos no processo de inspeção de qualidade. |
|---|