Implementação de monitoramento inteligente para detecção e classificação de defeitos superficiais em pré-formas obtidas por manufatura aditiva por deposição a arco.

• Ano de defesa: 2025
• Autor(a) principal: DIAS, Yuri Emanoel Pereira.
• Orientador(a): CASTRO, Walman Benício de.
• Banca de defesa: MELO, Raphael Henrique Falcão de., SILVA, Sérgio Natan.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande
• Programa de Pós-Graduação: PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA
• Departamento: Centro de Ciências e Tecnologia - CCT
• País: Brasil
• Palavras-chave em Português: Processos Mecânicos Metalúrgicos (PMM); Manufatura Aditiva por Deposição a Arco (MADA); Aprendizado de máquina – Modelo YOLO; Rede neural; Processo de classificação e reconhecimento; Metallurgical Mechanical Processes (MMP); Additive Manufacturing by Arc Deposition (MADA); Machine Learning – YOLO Model; Classification and recognition process; Neural network
• Área do conhecimento CNPq: Engenharia Mecânica.
• Link de acesso: https://dspace.sti.ufcg.edu.br/handle/riufcg/42650

No momento em que se fala de flexibilidade somado a uma rapidez de produção e economia de material, é bem sabido que tais características fazem da Manufatura Aditiva (MA), conhecida como impressão 3D, ganhar destaque na indústria. Dentre os processos de MA de metais, a Manufatura Aditiva por Deposição a Arco (MADA) se utiliza de um arco elétrico com fonte de calor para possibilitar a fusão do material, o que gera uma alta eficiência de deposição e a possibilidade de operação automatizada com um baixo custo. Em contraste, o repetitivo aquecimento pela sobreposição de camadas e o calor excessivo gerado na MADA podem levar a geração de defeitos, tais como alto nível de tensões residuais trativas, distorções, acabamento superficial prejudicado, desestabilização da geometria de deposição ao longo das camadas, além de rugosidade superficial e porosidade. Assim, modelos de redes neurais para controle visual estão sendo cada vez mais usados nas linhas de produção para atendimento da demanda por alta qualidade nos produtos fabricados. Por conseguinte, este trabalho teve como objetivo a implementação de um monitoramento in situ de defeito superficiais de porosidade, humping e respingos em paredes finas fabricadas por MADA, através da aplicação de Aprendizado de Máquina por meio do modelo YOLO (You Only Look Once). O processo de classificação e reconhecimento foi validado por meio de comparação com resultados obtidos de forma manual e aplicado através de uma interface gráfica com o usuário concebida com algoritmos em Python. Utilizando-se do modelo pré-treinado YOLOv8n, disponível no site da ultralytics ultralitics, foi possível fazer o treinamento com aprendizado por transferência. O treinamento foi realizado com 300 épocas em três modelos diferentes, B1, B2 e B3 que diferiam em quantidade de imagens. Através das técnicas de aumento artificial, foi possível ampliar a quantidade dos bancos de dados para uma melhor performance. Além disso, foi aplicado a técnica de tuning, que utiliza combinações de hiperparâmetros para encontrar uma configuração ideal para o modelo. Para o entendimento da efetividade da rede foram aplicados os conceitos de métricas de avaliação e matriz de confusão empregados foram os seguintes: mAP, Recall, Precision. Através da análise dos resultados obteve-se que o banco B1 obteve melhor performance geral na detecção de defeitos, obtendo 74.5% para precisão, 61.2%, recall, 65,7% para o mAP e . De forma geral a rede 12 neural concebida no algoritmo se mostrou uma ferramenta em potencial para classificação e localização de defeitos.