Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/35610| Título: | Detecção e classificação automática de defeitos em superfícies metálicas utilizando técnicas de aprendizado profundo |
| Título(s) alternativo(s): | Automatic detection and classification of defects in metallic surfaces by using deep learning techniques |
| Autor(es): | Block, Sylvio Alexandre Biasuz |
| Orientador(es): | Minetto, Rodrigo |
| Palavras-chave: | Estampagem (Metais) - Defeitos Soldagem - Defeitos Aprendizado profundo (Aprendizado do computador) Localização de falhas (Engenharia) Redes neurais (Computação) Metais - Defeitos - Inspeção Metal stamping - Defects Welding - Defects Deep learning (Machine learning) Fault location (Engineering) Neural networks (Computer science) Metals - Defects - Inspection |
| Data do documento: | 16-Out-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | BLOCK, Sylvio Alexandre Biasuz. Detecção e classificação automática de defeitos em superfícies metálicas utilizando técnicas de aprendizado profundo. 2024. Tese (Doutorado em Engenharia Elétrica e Informática Industrial) - Universidade Tecnológica Federal do Paraná, Curitiba, 2024. |
| Resumo: | Esta tese investiga a detecção e classificação automáticas de defeitos superficiais em peças metálicas durante as etapas de estampagem e soldagem na indústria automotiva. Na primeira parte desta pesquisa, o foco foi a detecção de defeitos de impressão durante a fase de estampagem. Esses defeitos, que se assemelham a picos, são tipicamente causados pela presença de sujeira ou detritos na maquinaria de prensagem. Dependendo da natureza e extensão do defeito, a peça veicular afetada pode precisar ser reparada ou descartada. Uma rede neural convolucional, conhecida como RetinaNet, foi utilizada para detectar e classificar os defeitos de impressão em categorias leve e severa. Além disso, foi explorada a coerência temporal, rastreando regiões detectadas em quadros consecutivos de um vídeo, a fim de reduzir alarmes falsos — regiões candidatas instáveis que raramente são (re)detectadas — ou para corrigir a classificação de algumas regiões que são classificadas alternadamente entre as duas categorias de defeitos. Nos experimentos, foi alcançada uma precisão média (mAP) de 76.21% para detectar e classificar defeitos de impressão leves e severos. No entanto, ao considerar apenas as impressões severas, os valores de precisão e revocação alcançaram 90% e 92%, respectivamente. Esses resultados são promissores, pois defeitos leves não são críticos e podem ser corrigidos ao longo da linha de produção. Para a etapa de soldagem, variações da arquitetura de aprendizado profundo YOLOv7 foram exploradas para detectar e classificar quatro tipos comuns de defeitos — poros, depósitos, descontinuidades e manchas. Foi desenvolvida uma rede leve, adequada para dispositivos de borda industriais, que alcançou um mAP de 69% para classificação detalhada de defeitos e 77% para uma classificação ampla. O estudo também introduz o LoHi-WELD, um novo conjunto de dados público que contém 3.022 imagens anotadas de cordões de solda, obtidas a partir de um processo de soldagem robótica Metal Active Gas (MAG), abrangendo tanto imagens de baixa quanto de alta resolução. Ambas as pesquisas foram realizadas em colaboração com um parceiro da indústria, que forneceu imagens das peças veiculares, bem como informações cruciais sobre os tipos de defeitos, frequência de ocorrência e requisitos de qualidade. Os resultados evidenciam o potencial para a implementação de soluções robustas para inspeção de defeitos em ambientes industriais. |
| Abstract: | This thesis investigates the automatic detection and classification of surface defects on metal parts during the stamping and welding processes within the automotive industry. In the first part of this research, the focus was on detecting imprint defects during the stamping stage. These defects, which resemble peaks, are typically caused by the presence of dirt or debris in the press machinery. Depending on the nature and extent of the defect, the affected vehicle part may need to be repaired or discarded. A convolutional neural network, RetinaNet, was used to detect and classify imprint defects into the categories mild and severe. Additionally, temporal coherence was explored by tracking detected regions across consecutive frames of a video to reduce false alarms — unstable candidate regions that are rarely (re)detected many times — and to correct the classification of some regions that are alternated classified into the two classes of defects. In the experiments, a mean average precision (mAP) of 76.21% was achieved for detecting and classifying mild and severe imprint defects. However, when considering only severe imprints, precision and recall values reached 90% and 92%, respectively. These are promising results, as mild defects are not critical and can be fixed along the production line. For the welding part, variations of the baseline YOLOv7 deep learning architecture were explored to detect and classify four common types of defects — pores, deposits, discontinuities, and stains. A lightweight network, suitable for industrial edge devices, was developed, achieving a mAP of 69% for fine-grained defect classification and 77% for coarse classification. The study also introduces LoHi-WELD, a novel public dataset comprising 3,022 annotated images of weld beads, from a Metal Active Gas (MAG) robotic welding process, encompassing both low and high-resolution imagery. Both researches had the collaboration of an industry partner, who provided image data of the vehicle parts as well as crucial information about defect types, their frequency, and quality requirements. The research findings highlight the potential for implementing robust defect detection solutions in industrial settings. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/35610 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| deteccaoclassificacaoaprendizadoprofundo.pdf | 7,19 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
