Classificação de tipos de parafusos e porcas com a utilização da rede YOLOv8

• Ano de defesa: 2023
• Autor(a) principal: Nascimento, Gizele Poltronieri do
• Orientador(a): Pinto, Luiz Alberto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: YOLO; Visão computacional; Parafusos; Redes neurais; Reconhecimento de padrões; Detecção de objetos
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/4460

A detecção de objetos em imagens tem sido um dos maiores desafios para pesquisadores de visão computacional. Devido à sua ampla aplicação, este tema tem atraído a atenção da indústria e da academia. Nos últimos anos, os rápidos avanços das técnicas de aprendizado profundo aceleraram muito o momento da detecção de objetos. Com redes de aprendizado profundo e o poder computacional das GPUs, o desempenho dos detectores de objetos melhorou bastante, alcançando avanços significativos. Os métodos de detecção de objetos de última geração podem ser divididos em duas abordagens. Enquanto as técnicas de detecção de dois estágios oferecem a vantagem de alta precisão na detecção e localização de objetos, os detectores de um estágio preveem caixas delimitadoras diretamente sobre as imagens. Este processo consome menos tempo e pode ser utilizado em aplicações em tempo real. Nos dias atuais, uma das arquiteturas de detecção de objetos mais bem sucedidas é a rede YOLO. Com base na abordagem de um estágio, a rede YOLO usa uma única estrutura para gerar as caixas delimitadoras e estimar as probabilidades de classe diretamente das imagens. Este trabalho apresenta um estudo de caso sobre detecção e classificação de parafusos e porcas. A identificação de parafusos não é uma tarefa trivial. Existem cerca de 1.500 tipos únicos de parafusos e, em alguns casos, as diferenças entre duas peças envolvem apenas pequenos detalhes, cuja identificação é difícil para pessoas inexperientes. Nos experimentos foi utilizado um conjunto de dados com 384 imagens de parafusos e porcas em um fundo estruturado de madeira. O problema de classificação consistiu em 13 classes que diferem entre si no comprimento e largura do diâmetro do parafuso ou da porca, na cor do metal e no formato da cabeça, ponta ou rosca do parafuso. Os objetos em algumas imagens estão separados, em outras, os objetos estão juntos ou sobrepostos. Para detecção e classificação de parafusos e porcas, foi utilizada a rede YOLOv8. O conjunto de dados original foi dividido em 70% para treinamento e 30% para teste, e todo treinamento e inferência foi usando o código python com modelo YOLOv8x. Na etapa de preparação, as imagens foram anotadas usando LabelImg que é uma ferramenta de anotação de imagens gráficas. O desempenho foi avaliado considerando a detecção e classificação após 186 épocas executadas. Os resultados na detecção foram medidos para média global entre as classes, em termos de mAP50 e mAP50_95, que pontuaram 99% e 79,1%, respectivamente. Nas tarefas de classificação, todas as classes alcançaram precision e recall acima de 98,9%, e F1-score pontuaram acima de 99%.