Publicação
Development of an intelligent computer vision system for identification, characterization and analysis of yarn quality
| Resumo: | Portugal é um país com uma forte tradição da indústria têxtil e, mesmo no contexto de mudanças no mercado, as empresas portuguesas continuam a perseguir o nível de excelência que lhes permite sobreviver num mundo mais complexo e exigente. Na indústria têxtil, a qualidade do produto final está diretamente relacionada com a qualidade do fio e, portanto, é essencial fazer uma avaliação precisa das características de acordo com certos parâmetros predefinidos. Há uma evolução dos dispositivos que avaliam a qualidade do fio, no entanto, ainda têm limitações, como alto custo, dimensão e peso, assim como resolução e precisão limitadas na determinação de certos parâmetros do fio. O objetivo principal desta tese é desenvolver algoritmos de deep learning para identificar e caracterizar a pilosidade do fio, além de criar algoritmos para caracterizar e analisar outros parâmetros de qualidade do fio usando visão computacional. A estratégia foi, em primeiro lugar, projetar um protótipo mecatrónico que permitisse a captura direta de imagens ou vídeos de alta qualidade do enrolamento do fio, e também uma análise e classificação das pilosidades do fio. O protótipo permite obter outras características inerentes à análise da qualidade do fio, como: massa linear, diâmetro, volume, direção da torção, passo da torção, desvio médio de massa, coeficiente de variação, coeficiente de pilosidade, desvio médio de pilosidade e desvio padrão. Esta tese de doutoramento introduz, como uma das principais contribuições, uma nova abordagem de deep learning utilizando um algoritmo otimizado baseado no YOLOv5s6 (You only look once) para caracterizar diferentes tipos de pilosidade do fio. Os resultados mostram que o algoritmo proposto melhora significativamente o desempenho do modelo, com um aumento de 5-6% na métrica mAP0.5 (mean average precision at 0.5 intersection over union (IoU)) e um aumento de 11-12% na métrica mAP0.5:0.95 em comparação com o algoritmo YOLOv5s6 padrão. A abordagem melhora efetivamente todas as métricas analisadas para a caracterização da pilosidade do fio. A implementação bem-sucedida deste trabalho pode aumentar a eficiência produtiva da indústria têxtil e contribuir para a criação de produtos de alto valor acrescentado. |
|---|---|
| Autores principais: | Pereira, Filipe Alexandre Sousa |
| Assunto: | Deep Learning Defeitos do fio Pilosidades Processamento de imagem Qualidade do fio Faults Hairiness Image processing Yarn Quality |
| Ano: | 2024 |
| País: | Portugal |
| Tipo de documento: | tese de doutoramento |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | inglês |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | Portugal é um país com uma forte tradição da indústria têxtil e, mesmo no contexto de mudanças no mercado, as empresas portuguesas continuam a perseguir o nível de excelência que lhes permite sobreviver num mundo mais complexo e exigente. Na indústria têxtil, a qualidade do produto final está diretamente relacionada com a qualidade do fio e, portanto, é essencial fazer uma avaliação precisa das características de acordo com certos parâmetros predefinidos. Há uma evolução dos dispositivos que avaliam a qualidade do fio, no entanto, ainda têm limitações, como alto custo, dimensão e peso, assim como resolução e precisão limitadas na determinação de certos parâmetros do fio. O objetivo principal desta tese é desenvolver algoritmos de deep learning para identificar e caracterizar a pilosidade do fio, além de criar algoritmos para caracterizar e analisar outros parâmetros de qualidade do fio usando visão computacional. A estratégia foi, em primeiro lugar, projetar um protótipo mecatrónico que permitisse a captura direta de imagens ou vídeos de alta qualidade do enrolamento do fio, e também uma análise e classificação das pilosidades do fio. O protótipo permite obter outras características inerentes à análise da qualidade do fio, como: massa linear, diâmetro, volume, direção da torção, passo da torção, desvio médio de massa, coeficiente de variação, coeficiente de pilosidade, desvio médio de pilosidade e desvio padrão. Esta tese de doutoramento introduz, como uma das principais contribuições, uma nova abordagem de deep learning utilizando um algoritmo otimizado baseado no YOLOv5s6 (You only look once) para caracterizar diferentes tipos de pilosidade do fio. Os resultados mostram que o algoritmo proposto melhora significativamente o desempenho do modelo, com um aumento de 5-6% na métrica mAP0.5 (mean average precision at 0.5 intersection over union (IoU)) e um aumento de 11-12% na métrica mAP0.5:0.95 em comparação com o algoritmo YOLOv5s6 padrão. A abordagem melhora efetivamente todas as métricas analisadas para a caracterização da pilosidade do fio. A implementação bem-sucedida deste trabalho pode aumentar a eficiência produtiva da indústria têxtil e contribuir para a criação de produtos de alto valor acrescentado. |
|---|