Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/4607
Registro completo de metadados
Campo DCValorIdioma
dc.creatorMazzetto, Muriel-
dc.date.accessioned2019-12-16T13:48:59Z-
dc.date.available2019-12-16T13:48:59Z-
dc.date.issued2019-11-21-
dc.identifier.citationMAZZETTO, Muriel. Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning. 2019. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2019.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/4607-
dc.description.abstractThe industrial production process capable of simultaneously producing multiple types of products on the same manufacturing line defines an industrial model called flexible manufacturing. An example of flexible manufacturing is observed in the automotive industry, which manufactures different car models on the same plant, each composed of its own set of components. In this type of environment, it is common for part sets to be initially separated by human operators and subsequently manipulated by robots. As this process depends on human perception, it is susceptible to errors of conformity, a situation in which elements of manufacture may not belong to the same model of the manufactured product. This task has recently been complemented by artificial perception from computer vision systems (CSVs), camera-based systems and an embedded computer for image acquisition, processing and classification. These systems can be used to check for defects and to attest to the conformity of the components. Despite the practical relevance, the efficiency of a conventional CSV depends on the control of lighting, closure and stop of the line for the fixation of the parts, which makes the solution expensive and reverses most of its benefits. In addition, traditional methods have manual parameter assignment steps dependent on a specialist. Recently, the literature has addressed methods based on deep learning (DL) to overcome these problems. This approach seeks to imitate the human capacity for learning and pattern recognition, through the abstraction of characteristics of a set of images. This feature adds robustness to SVC, reducing the need for environmental control and human perception for parameter definition. This paper proposes a supervised learning deep text alternative for detecting multiple components in supervised flexible automotive assembly lines for object detection and classification. When supervised, these algorithms require a set of images as a training base. In addition to the images, the region and class of each object must be identified. This identification consists only of defining a region that delimits the target object and its respective class. Still, the solution does not require interventions in the operating environment, neither the stop of the production line for image collection and analysis. The approach is illustrated by two case studies conducted on an actual vehicle assembly plant.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.description.sponsorshipFundação Araucária de Apoio ao Desenvolvimento Científico e Tecnológico do Paranápt_BR
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.subjectVisão por computadorpt_BR
dc.subjectProcessamento de imagenspt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectComputer visionpt_BR
dc.subjectImage processingpt_BR
dc.subjectMachine learningpt_BR
dc.subjectNeural networks (Computer science)pt_BR
dc.titleDetecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learningpt_BR
dc.title.alternativeDetection and classification of components in automotive assembly line using deep learningpt_BR
dc.typemasterThesispt_BR
dc.description.resumoO processo de produção industrial capaz de produzir simultaneamente múltiplos tipos de produtos sobre a mesma linha de fabricação define um modelo industrial denominado de manufatura flexível. Um exemplo de manufatura flexível é o da indústria automotiva, que fabrica diferentes modelos de veículos sobre a mesma planta, cada um composto por um conjunto próprio de componentes. Nesse tipo de ambiente, é comum que os conjuntos de peças sejam inicialmente separados por operadores humanos para, posteriormente, serem manipulados por robôs. Como essa evolução depende da percepção humana, passa a ser um procedimento suscetível a erros de conformidade, situação em que elementos de manufatura podem não pertencer ao mesmo modelo do produto fabricado. Tal tarefa passou, recentemente, a ser complementada por percepção artificial advinda de sistemas de visão computacional (SVCs), que são compostos por câmera e um computador embarcado, para aquisição, processamento e classificação de imagens. Esses sistemas podem ser utilizados para verificar possíveis defeitos e atestar sobre a conformidade ou não de componentes nas linhas de produção. Apesar da relevância prática, a eficiência de um SVC convencional depende do controle da iluminação, enclausuramento e parada da linha para a fixação das peças, o que encarece a solução e reverte grande parte dos seus benefícios. Além disso, os métodos tradicionais de vis˜ao possuem etapas de parametrização manuais dependentes de um especialista. Recentemente, na literatura tem se abordado métodos baseados em deep learning (DL) para contornar esses problemas. Essa abordagem busca imitar a capacidade humana de aprendizado e reconhecimento de padrões, através da abstração de características de um conjunto de imagens. Essa propriedade tende a agregar robustez aos SVCs e reduzir a necessidade de controle do ambiente e da percepção humana para definição de parâmetros. Este trabalho propõe uma alternativa baseada em deep learning, de aprendizado supervisionado, para a detecção e classificação de múltiplos componentes em linhas de montagem automotiva flexível supervisionado, para detecção de objetos. Quando supervisionados, esses algoritmos requerem um conjunto de imagens como base de treino. Além das imagens, devem ser identificadas a região e a classe de cada objeto. Essa identificação consiste apenas em definir uma regi˜ao que delimite o objeto alvo e sua respectiva classe. A solução o não requer intervenções no ambiente operacional, tampouco a parada da linha de produção para coleta e análise de imagens, agregando eficiência e eficácia ao processo produtivo sem depender excessivamente de percepção humana. A abordagem ´e ilustrada por meio de dois estudos de caso conduzidos sobre uma planta real de montagem de veículos.pt_BR
dc.degree.localPato Brancopt_BR
dc.publisher.localPato Brancopt_BR
dc.creator.Latteshttp://lattes.cnpq.br/6121503054006294pt_BR
dc.contributor.advisor1Teixeira, Marcelo-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8925349327322997pt_BR
dc.contributor.advisor-co1Casanova, Dalcimar-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/4155115530052195pt_BR
dc.contributor.referee1Brun, André Luiz-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4617587198467560pt_BR
dc.contributor.referee2Casanova, Dalcimar-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/4155115530052195pt_BR
dc.contributor.referee3Cavalcanti, Pablo Gauterio-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/7803338696833069pt_BR
dc.contributor.referee4Lopes, Yuri Kaszubowski-
dc.contributor.referee4Latteshttp://lattes.cnpq.br/6645986822120975pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.subject.capesEngenharia/Tecnologia/Gestãopt_BR
Aparece nas coleções:PB - Programa de Pós-Graduação em Engenharia Elétrica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
linhamontagemautomotivadeeplearning.pdf30,74 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.