Publicação

Deteção automática de falhas na pintura dos aparelhos de combustão a H2 da Bosch

Detalhes bibliográficos
Resumo:	Nos últimos anos tem-se verificado um grande progresso no sentido da automação industrial. Sendo este um setor dotado de tarefas monótonas e exaustivas, a implementação de soluções automatizadas permite alcançar níveis de eficiência e produtividade sem precedentes. Em algumas tarefas mais delicadas, estes sistemas podem ajudar a reduzir esforços físicos excessivos, servindo como ferramentas de suporte às atividades. Ao mesmo tempo que estas tarefas são assumidas por estas novas tecnologias, emergem novas funções e desafios, entre os quais se destaca a supervisão e regulação dos próprios sistemas automatizados. O controlo da qualidade na indústria é uma área de extrema importância para a credibilidade e competitividade no mercado. Uma empresa que possa garantir que apenas produtos em conformidade são passados para o consumidor estará sempre um passo à frente dos seus competidores. Este é um ponto de enorme interesse na Bosch Termotecnologia S.A., com o qual este trabalho estabelece uma parceria. Os equipamentos produzidos por esta empresa são maioritariamente esquentadores, caldeiras e bombas de calor. O processo de pintura aplicado a estes aparelhos atribui-lhe características altamente reflexivas e desafiantes de analisar. Ao longo deste trabalho foram considerados os 7 defeitos mais comuns nas peças da empresa, sendo que podem ter tamanhos inferiores a 1 mm. Neste momento, o processo de controlo de qualidade na empresa é feito maioritariamente de forma manual, o que acaba por acarretar algumas consequências. Ao nível dos colaboradores, este trabalho é extremamente tedioso e cansativo, considerando que algumas peças podem ter tamanhos enormes, enquanto que a dimensão dos defeitos pode ser extremamente reduzida. Assim, o objetivo deste trabalho consiste na automatização deste processo, recorrendo a sistemas de Visão Artificial e Machine Learning. O desenvolvimento da solução teve por base considerações que garantissem a sua viabilidade em contexto industrial. Ao longo deste documento, recorreu-se à técnica de Deflectometria para a construção do setup de aquisição de imagem, o que permitiu realçar os defeitos e auxiliar a sua identificação. Após a conclusão da parametrização do sistema foram criados dois Datasets principais, contando com 350 000 amostras de laboratório e 80 000 captadas na própria linha de pintura. No desenrolar do trabalho foram utilizadas várias estratégias de Dataset Augmentation, assim como a utilização de Inteligência Artificial Generativa para aumentar a quantidade de amostras disponíveis. Após o processo de labelling de todas as instâncias, passou-se à implementação de algoritmos de Machine Learning. No decorrer deste trabalho foram testadas várias arquiteturas, com o destaque dos modelos YOLOv11. Dada a complexidade dos dados e dificuldade na adaptação dos modelos, implementou-se uma solução de Aprendizagem Ativa. Esta técnica permitiu obter, de forma seletiva, as amostras mais significativas do dataset para anotar, resultando na anotação manual de apenas 0.7% do total de amostras. Deste modo, foi possível incidir sobre as principais dificuldades dos algoritmos e alcançar resultados de mAP na ordem dos 90% para os defeitos principais. Foi necessário isolar a deteção de alguns defeitos mais problemáticos e explorar diferentes técnicas para a sua deteção. Assim sendo, foi implementada uma solução de segmentação com um modelo YOLOv11-seg para detetar riscos, e foi construída com sucesso uma CNN classificadora para a identificação de sujidade nas tampas. A rede dos riscos registou um mAP de 75% na sua validação enquanto que o modelo classificador atingiu uma precisão de 78%. A implementação final, validada com dados obtidos em chão de fábrica, resultou num sistema que conseguiria processar imagens, num tempo médio de análise de 1.30 segundos, para uma necessidade de processar uma nova imagem a cada 10 segundos.
Autores principais:	Fernandes, Luis Carlos Moreira
Assunto:	Visão Artificial Machine learning Deflectometria Controlo de qualidade Redes neuronais convolucionais Aprendizagem ativa
Ano:	2025
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade de Aveiro
Idioma:	português
Origem:	RIA - Repositório Institucional da Universidade de Aveiro

Descrição
Resumo:	Nos últimos anos tem-se verificado um grande progresso no sentido da automação industrial. Sendo este um setor dotado de tarefas monótonas e exaustivas, a implementação de soluções automatizadas permite alcançar níveis de eficiência e produtividade sem precedentes. Em algumas tarefas mais delicadas, estes sistemas podem ajudar a reduzir esforços físicos excessivos, servindo como ferramentas de suporte às atividades. Ao mesmo tempo que estas tarefas são assumidas por estas novas tecnologias, emergem novas funções e desafios, entre os quais se destaca a supervisão e regulação dos próprios sistemas automatizados. O controlo da qualidade na indústria é uma área de extrema importância para a credibilidade e competitividade no mercado. Uma empresa que possa garantir que apenas produtos em conformidade são passados para o consumidor estará sempre um passo à frente dos seus competidores. Este é um ponto de enorme interesse na Bosch Termotecnologia S.A., com o qual este trabalho estabelece uma parceria. Os equipamentos produzidos por esta empresa são maioritariamente esquentadores, caldeiras e bombas de calor. O processo de pintura aplicado a estes aparelhos atribui-lhe características altamente reflexivas e desafiantes de analisar. Ao longo deste trabalho foram considerados os 7 defeitos mais comuns nas peças da empresa, sendo que podem ter tamanhos inferiores a 1 mm. Neste momento, o processo de controlo de qualidade na empresa é feito maioritariamente de forma manual, o que acaba por acarretar algumas consequências. Ao nível dos colaboradores, este trabalho é extremamente tedioso e cansativo, considerando que algumas peças podem ter tamanhos enormes, enquanto que a dimensão dos defeitos pode ser extremamente reduzida. Assim, o objetivo deste trabalho consiste na automatização deste processo, recorrendo a sistemas de Visão Artificial e Machine Learning. O desenvolvimento da solução teve por base considerações que garantissem a sua viabilidade em contexto industrial. Ao longo deste documento, recorreu-se à técnica de Deflectometria para a construção do setup de aquisição de imagem, o que permitiu realçar os defeitos e auxiliar a sua identificação. Após a conclusão da parametrização do sistema foram criados dois Datasets principais, contando com 350 000 amostras de laboratório e 80 000 captadas na própria linha de pintura. No desenrolar do trabalho foram utilizadas várias estratégias de Dataset Augmentation, assim como a utilização de Inteligência Artificial Generativa para aumentar a quantidade de amostras disponíveis. Após o processo de labelling de todas as instâncias, passou-se à implementação de algoritmos de Machine Learning. No decorrer deste trabalho foram testadas várias arquiteturas, com o destaque dos modelos YOLOv11. Dada a complexidade dos dados e dificuldade na adaptação dos modelos, implementou-se uma solução de Aprendizagem Ativa. Esta técnica permitiu obter, de forma seletiva, as amostras mais significativas do dataset para anotar, resultando na anotação manual de apenas 0.7% do total de amostras. Deste modo, foi possível incidir sobre as principais dificuldades dos algoritmos e alcançar resultados de mAP na ordem dos 90% para os defeitos principais. Foi necessário isolar a deteção de alguns defeitos mais problemáticos e explorar diferentes técnicas para a sua deteção. Assim sendo, foi implementada uma solução de segmentação com um modelo YOLOv11-seg para detetar riscos, e foi construída com sucesso uma CNN classificadora para a identificação de sujidade nas tampas. A rede dos riscos registou um mAP de 75% na sua validação enquanto que o modelo classificador atingiu uma precisão de 78%. A implementação final, validada com dados obtidos em chão de fábrica, resultou num sistema que conseguiria processar imagens, num tempo médio de análise de 1.30 segundos, para uma necessidade de processar uma nova imagem a cada 10 segundos.