Identificação e medição de defeitos em produtos automotivos usando visão computacional

• Ano de defesa: 2023
• Autor(a) principal: Gonzaga, Leandro Moreira
• Orientador(a): Almeida, Gustavo Maia de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: Visão Computacional; YOLOv5; Controle de Qualidade
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/3709

Este trabalho visa apresentar um estudo da aplicabilidade e eficácia de um sistema de visão computacional no auxílio a um processo de identificação de defeitos visuais no Controle de Qualidade de uma empresa atuante no mercado de reposição automotiva (vidros e peças). A principal justificativa se pauta no aumento da repetibilidade e confiabilidade do processo, acompanhada da automatização do processo da tomada de decisão da precificação dos itens com defeito. Nesse contexto, foi utilizada uma rede neural para a classificação e detecção dos defeitos: YOLOv5. Durante a execução deste trabalho, esta rede é considerada o Estado da Arte na classificação e detecção de objetos. No estudo da detecção dos defeitos, o escopo foi: bolha, delaminação, mancha, irisação, ostra e grau, para vidros; e manchas para peças. O dataset utilizado foi retirado de sistemas internos na empresa estudada. Após avaliar diversas configurações do dataset, foi possível executar a YOLOv5 com vários parâmetros para selecionar a configuração com o melhor mAP para execução do modelo para mensurar os defeitos dos produtos. A arquitetura selecionada foi a YOLOv5x, com o otimizador Sigmoid e um batch size de 8, atingindo um mAP de 0,72921. Para a correta precificação do produto defeituoso, pela automação do processo, com relação aos tamanhos reais dos defeitos, foi possível atingir uma precisão de 83,33%.