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.