Publicação
Extração de informação de vídeo e técnicas de redes neuronais para deteção de objectos no contexto da monitorização de espaços industriais
| Resumo: | O alicerce de qualquer indústria é o chão de fábrica. O chão de fábrica é um pátio ou um arma zém onde estão concentradas as linhas de produção compostas pelos funcionários e as máquinas necessárias para produção. É onde a força laboral é combinada com a tecnologia das máquinas para produzir os itens que consumimos e utilizamos no dia a dia. Com a interdependência e variabilidade dos processos que ocorrem no chão de fábrica, surgem vários cenários e problemas, capazes de interromper todo o processamento de uma empresa. Assim, respeitar planos torna-se por vezes complicado, sendo que, quando o processamento de uma empresa é interrompido, é crucial uma resposta de gestão rápida e eficiente. Esta gestão do chão de fábrica, por norma, é feita por pessoas, tornando-a muito propensa ao erro humano, erro esse que é cada vez mais provável com o aumento do tamanho do espaço a ser vigiado (chão de fábrica). Com a Indústria 4.0 e o surgimento de novos algoritmos focados na deteção e reconhecimento de objetos, tornou-se possível a aplicação deste tipo de modelos e algoritmos nas áreas da logística para melhorar a eficiência do espaço fabril. Assim, nesta dissertação, foram estudados e avaliados modelos para estimar a pose de indivíduos no chão de fábrica, com o objetivo de detetar possíveis erros na produção. Começou por se definir o esqueleto que se queria prever, estipulando assim os keypoints dese jados (locais do corpo que se pretende detetar). Foram avaliados 6 modelos diferentes de deteção e comparados através de 4 métricas. Foram ainda observadas as confianças de previsão destes mo delos e o número de keypoints com uma certa confiança mínima. Os datasets utilizados foram criados de raiz e são compostos por imagens de colaboradores da empresa Neadvance a trabalhar na secretária e na montagem de peças numa porta. Os resultados obtidos mostraram-se promissores, sendo possível determinar com alguma precisão a pose dos funcionários no chão de fábrica. |
|---|---|
| Autores principais: | Silva, Diogo Vicente Magalhães Vilela |
| Assunto: | Machine learning Deep learning Visão por computador Inteligência artificial Estimação de pose Redes neuronais artificiais Redes neuronais convolucionais Computer vision Artificial intelligence Pose estimation Artificial neural networks Convolutional neural networks |
| Ano: | 2023 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | português |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | O alicerce de qualquer indústria é o chão de fábrica. O chão de fábrica é um pátio ou um arma zém onde estão concentradas as linhas de produção compostas pelos funcionários e as máquinas necessárias para produção. É onde a força laboral é combinada com a tecnologia das máquinas para produzir os itens que consumimos e utilizamos no dia a dia. Com a interdependência e variabilidade dos processos que ocorrem no chão de fábrica, surgem vários cenários e problemas, capazes de interromper todo o processamento de uma empresa. Assim, respeitar planos torna-se por vezes complicado, sendo que, quando o processamento de uma empresa é interrompido, é crucial uma resposta de gestão rápida e eficiente. Esta gestão do chão de fábrica, por norma, é feita por pessoas, tornando-a muito propensa ao erro humano, erro esse que é cada vez mais provável com o aumento do tamanho do espaço a ser vigiado (chão de fábrica). Com a Indústria 4.0 e o surgimento de novos algoritmos focados na deteção e reconhecimento de objetos, tornou-se possível a aplicação deste tipo de modelos e algoritmos nas áreas da logística para melhorar a eficiência do espaço fabril. Assim, nesta dissertação, foram estudados e avaliados modelos para estimar a pose de indivíduos no chão de fábrica, com o objetivo de detetar possíveis erros na produção. Começou por se definir o esqueleto que se queria prever, estipulando assim os keypoints dese jados (locais do corpo que se pretende detetar). Foram avaliados 6 modelos diferentes de deteção e comparados através de 4 métricas. Foram ainda observadas as confianças de previsão destes mo delos e o número de keypoints com uma certa confiança mínima. Os datasets utilizados foram criados de raiz e são compostos por imagens de colaboradores da empresa Neadvance a trabalhar na secretária e na montagem de peças numa porta. Os resultados obtidos mostraram-se promissores, sendo possível determinar com alguma precisão a pose dos funcionários no chão de fábrica. |
|---|