UNESP

DR. JÚLIO DE MESQUITA FILHO

Engenharia de produção

Alexsander Lima de Oliveira

Gabriel Oliveira Carlos

Josué Rafael Ghirghi

Um estudo de caso de redes neurais artificiais para a detecção de

objetos defeituosos numa esteira de produção automatizada

XXXVIII ENEGEP - 2018

Autores: Ingrid Martins Valente Costa; Symone Gomes Soares Alcalá;

Lorena Cândida Mendonça

Itapeva, 10 de abril de 2024

1. INTRODUÇÃO

O texto discute a importância da qualidade na indústria,

especialmente em relação aos produtos e processos, enfatizando que
defeitos podem prejudicar a reputação da marca. Propõe-se a
inspeção visual como método para verificar a conformidade dos
produtos, destacando os desafios da inspeção manual e a vantagem
dos sistemas de visão automatizados. Tais sistemas utilizam
tecnologias para realizar inspeções precisas, rápidas e sem falhas,
superando as limitações humanas. São citados exemplos de
aplicação desses sistemas em diferentes indústrias.

A discussão sobre sistemas de visão inclui suas fases: aquisição da

imagem, segmentação, melhoramento da imagem, extração de
características e reconhecimento de padrões. Destaca-se que
algoritmos de classificação baseados em inteligência artificial são
essenciais para a última fase, com destaque para Redes Neurais
Artificiais devido à sua capacidade de tolerância a falhas.

O texto propõe uma metodologia para pré-processamento de

imagens digitais e classificação de objetos defeituosos e não
defeituosos utilizando Redes Neurais Artificiais, detalhando as etapas
envolvidas. O estudo de caso envolve a classificação de imagens de
caixas em uma esteira transportadora.

A estrutura do artigo é organizada em cinco seções: introdução e

contextualização, referencial teórico, metodologia, resultados e
considerações finais com sugestões para trabalhos futuros.

2. OBJETIVO

O objetivo do texto é propor uma metodologia utilizando Redes

Neurais Artificiais (RNAs) para pré-processamento e classificação de
imagens de caixas em uma esteira transportadora, distinguindo entre
caixas defeituosas e não defeituosas. Ele destaca a importância dos
sistemas de visão automatizados na detecção de defeitos em
produtos e descreve as etapas da metodologia, incluindo aquisição
de imagens, segmentação, melhoria, extração de características e
reconhecimento de padrões. O estudo de caso envolveu a captura de
430 imagens de caixas, com a RNA alcançando uma taxa de
classificação correta de 100%.

3. MÉTODOS UTILIZADOS

A metodologia proposta para realizar a inspeção automática de

caixas em uma esteira transportadora é composta por várias etapas
bem definidas. Primeiramente, as imagens das caixas são obtidas
usando uma câmera. Essas imagens são adquiridas no sistema de
cores Red, Green e Blue (RGB) e posteriormente convertidas para o
sistema YCbCr, onde o canal Y representa a luminância e os canais
Cb e Cr representam a crominância azul e vermelha,
respectivamente.

Em seguida, é realizada a etapa de segmentação, na qual o método

Otsu's é aplicado para distinguir o objeto (a caixa) do fundo da
imagem. Esse método utiliza o canal Cr da imagem para obter um
limiar global que separa o objeto do fundo de forma eficaz.

Após a segmentação, é empregado um filtro de mediana para

melhorar a qualidade das imagens. Esse filtro é essencial para
eliminar ruídos remanescentes do processo de segmentação,
garantindo que as características importantes das caixas sejam
preservadas.

A extração de características é então realizada utilizando a matriz de

coocorrência (MCNC), que calcula o contraste das imagens. São
determinadas quatro matrizes de coocorrência para cada canal (Y,
Cb, Cr) da imagem, resultando em 12 características de contraste.
Além disso, são calculadas as médias de cada canal, fornecendo
informações adicionais sobre as imagens segmentadas.

Quando o reconhecimento de padrões é realizado por meio de uma

Rede Neural Artificial (RNA) treinada com o algoritmo Scaled
Conjugate Gradient Backpropagation (SCGB). O número ideal de
neurônios na camada oculta é determinado utilizando o método k-fold
cross-validation, garantindo uma rede neural eficaz e bem ajustada
aos dados disponíveis. A RNA é então treinada com uma
porcentagem dos dados, enquanto outra parte é utilizada para teste e
validação, permitindo uma avaliação completa do desempenho do
modelo.

Essa metodologia abrangente visa automatizar o processo de

inspeção de caixas em uma esteira transportadora, permitindo a
detecção eficiente de caixas defeituosas e não defeituosas com base
em características extraídas das imagens.

4. RESULTADOS

Primeiro, foram tiradas fotos de 430 caixas em uma esteira

transportadora, algumas com defeitos na pintura. Após melhorar as
imagens, características foram extraídas e organizadas em duas
matrizes: uma para características (X) e outra para a classe das
caixas (Y). Essas matrizes foram usadas para treinar, validar e testar
uma rede neural artificial (RNA). Para determinar quantos neurônios
usar na camada oculta da RNA, testados de 2 a 20 neurônios usando
um método chamado 10-fold cross-validation. O resultado mostrou
que seis neurônios tiveram o melhor desempenho. A RNA foi treinada
com um algoritmo chamado SCGB e parâmetros padrão do MATLAB.
Seu desempenho foi medido durante o treinamento usando uma
função chamada entropia cruzada.

Os resultados mostraram que a RNA classificou corretamente 100%

das caixas em todos os conjuntos de dados (treino, validação e
teste). Isso indica que nossa metodologia é eficaz na identificação de
caixas defeituosas e não defeituosas em uma esteira transportadora.

5. CONCLUSÃO

A utilização de imagens digitais para controlar a qualidade de

produtos é crucial para evitar falhas e custos adicionais associados à
inspeção manual. O método proposto de classificação de produtos
usando uma Rede Neural Artificial (RNA) demonstrou maior
confiabilidade na distinção entre objetos defeituosos e não
defeituosos. Como trabalho futuro, pretende-se aplicar essa
metodologia em uma empresa para avaliar a precisão do modelo em
uma linha de produção real.
 REFERÊNCIAS

COSTA, Ingrid; ALCALÁ, Symone; MENDONÇA, Lorena. Um estudo de

caso de redes neurais artificiais para a detecção de objetos
defeituosos numa esteira de produção automatizada. Disponível em:
<https://www.abepro.org.br/biblioteca/TN_WIC_259_490_35920.pdf/>.
Acesso em: 02/04/2024.