Reconhecimento e classificação de imagens de voo utilizando rede neural convolucional

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Nogueira, João Claudio
Orientador(a): Valle, Pablo Deivid, 1975-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Engenharia
Rede neural convolucional
Indústria 4.0
Curitiba (PR)
Engenharias
Link de acesso: https://hdl.handle.net/1884/82470
Resumo: Orientador: Prof. Dr. Pablo Valle
id UFPR_95667f018b5e4031cd5ebf606a867f2f
oai_identifier_str oai:acervodigital.ufpr.br:1884/82470
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Marques, Alessandro, 1973-Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de ManufaturaValle, Pablo Deivid, 1975-Nogueira, João Claudio2023-05-10T15:31:45Z2023-05-10T15:31:45Z2023https://hdl.handle.net/1884/82470Orientador: Prof. Dr. Pablo ValleCoorientador: Prof. Dr. Alessandro MarquesDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia de Manufatura. Defesa : Curitiba, 15/12/2022Inclui referências: p. 65-72Resumo: Segundo Statista (2020) a corrosão em estruturas é uma falha estrutural que gera custos de trilhões de dólares em toda parte do mundo anualmente e ideias inovadoras com foco em manutenção preventiva podem reduzir em até 35% gastos relacionados a oxidações em telhados industriais. Neste estudo que foi conduzido, na maior parte de seu tempo, em uma unidade fabril de aproximadamente 89.000 m2 de área construída com 60.000 m2 de telhados, situada na cidade industrial de Curitiba/PR (Planta A), observou-se que este é um problema atual uma vez que houve, no decorrer dos últimos anos, um aumento exponencial no volume de falhas em coberturas, impactando na longevidade da estrutura e na sustentabilidade do negócio. Através de uma metodologia de análise das condições básicas de manutenção, constatou-se que a oxidação é responsável por uma grande parcela das falhas destas edificações. Neste sentido, o objetivo deste trabalho foi desenvolver um sistema inteligente capaz de detectar, classificar e alertar sobre falhas de oxidação em estruturas metálicas de telhados. Para isso, o conceito de transdisciplinaridade foi aplicado na integra através da união de várias ciências. Os dados foram obtidos utilizando diferentes drones com câmeras distintas para captura de imagem dinâmica. Experimento de Taguchi aliado a fatores de voo foram realizados para entender a correlação entre qualidade de imagem e aprendizado da IA. Diferentes maneiras de processamento dos dados de entrada foram avaliadas, bem como a associação de técnicas computacionais, análises da capacidade de generalização, overfitting e melhoria da performance foram discutidas. Escolheu-se pelo aprendizado de máquina para realizar o processamento de imagens e através da referência literária de Olaf Ronneberger (2015) idealizou-se o uso de duas redes neurais convolucionais do tipo U-NET, uma para a localização objetiva do telhado e a outra para a detecção assertiva da oxidação. A junção das redes formou a base da solução. Além disso através da segmentação dupla e frações de imagens de 640x640 pixels, tornou o processo de aprendizagem da lA e a localização da falha mais ágeis. Realizou-se a avaliação da eficácia da pesquisa através da aplicação da técnica em outra unidade fabril (Planta B), localizada na Cidade de Campinas/SP, e em conjunto com análises estatísticas observou-se resultados satisfatórios o que gerou maior interesse da indústria e associações de facility management na solução tecnológica proposta.Abstract: According to Statista (2020) corrosion in structures is a structural failure that generates costs worldwide, worth around trillions of dollars per year and innovation ideas with focus on preventive maintenance can reduce up to 35% of the costs that come from oxidation in the industrial roofs. In this research, where most of the experiments were made in a manufacturing plant with around 89.000 m2 of built area, located at the industrial city of Curitiba, Paraná (Plant A), an exponential increase in these failures was observed in the last few years and reducing the lifecycle of the roofs and business sustainability significantly. With the support of some analyses based on the Total Productive Maintenance methodology, oxidation was observed to be one of the most relevant aspects on these failures. In this work, an intelligent system was proposed to detect, classify oxidations and promotes alert upon failures in metal structures of roofs. For all that to happen, the transdisciplinary concept was totally applied through several sciences united. The data was obtained through different cameras mounted in different UAVs. Taguchi analysis regarding flight factors were accomplished to understand correlations between quality of image and AI learning. Different ways of input data processing were studied, such as integration of computational techniques, generalization capacity, overfitting and accuracy improvement were discussed. Decided to applied machine learning to make the images processing and following reference of Olaf Ronneberger (2015) two U-NET convolutional neural network were proposed, the first for localization of the roof and the second for oxidation detection. The concatenation of networks became the base of this solution. Moreover, due to dual segmentation applied in 640x640 image, the learning process and identification of the failures were most fast. To validate the efficiency upon this researching the technique was applied in another manufacturing plant (Plant B), located at the city of Campinas, São Paulo, and by using statistics analysis, good performance of the IA was noticed. Take into consideration the good results obtained, associations of facility management and industries raised the interest towards this solution.1 recurso online : PDF.application/pdfEngenhariaRede neural convolucionalIndústria 4.0Curitiba (PR)EngenhariasReconhecimento e classificação de imagens de voo utilizando rede neural convolucionalinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - JOAO CLAUDIO NOGUEIRA.pdfapplication/pdf20120933https://acervodigital.ufpr.br/bitstream/1884/82470/1/R%20-%20D%20-%20JOAO%20CLAUDIO%20NOGUEIRA.pdfca347868f74f6f82e2a37364f74bf8feMD51open access1884/824702023-05-10 12:31:46.088open accessoai:acervodigital.ufpr.br:1884/82470Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082023-05-10T15:31:46Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Reconhecimento e classificação de imagens de voo utilizando rede neural convolucional
title Reconhecimento e classificação de imagens de voo utilizando rede neural convolucional
spellingShingle Reconhecimento e classificação de imagens de voo utilizando rede neural convolucional
Nogueira, João Claudio
Engenharia
Rede neural convolucional
Indústria 4.0
Curitiba (PR)
Engenharias
title_short Reconhecimento e classificação de imagens de voo utilizando rede neural convolucional
title_full Reconhecimento e classificação de imagens de voo utilizando rede neural convolucional
title_fullStr Reconhecimento e classificação de imagens de voo utilizando rede neural convolucional
title_full_unstemmed Reconhecimento e classificação de imagens de voo utilizando rede neural convolucional
title_sort Reconhecimento e classificação de imagens de voo utilizando rede neural convolucional
author Nogueira, João Claudio
author_facet Nogueira, João Claudio
author_role author
dc.contributor.other.pt_BR.fl_str_mv Marques, Alessandro, 1973-
Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de Manufatura
dc.contributor.advisor1.fl_str_mv Valle, Pablo Deivid, 1975-
dc.contributor.author.fl_str_mv Nogueira, João Claudio
contributor_str_mv Valle, Pablo Deivid, 1975-
dc.subject.por.fl_str_mv Engenharia
Rede neural convolucional
Indústria 4.0
Curitiba (PR)
Engenharias
topic Engenharia
Rede neural convolucional
Indústria 4.0
Curitiba (PR)
Engenharias
description Orientador: Prof. Dr. Pablo Valle
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-05-10T15:31:45Z
dc.date.available.fl_str_mv 2023-05-10T15:31:45Z
dc.date.issued.fl_str_mv 2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/82470
url https://hdl.handle.net/1884/82470
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/82470/1/R%20-%20D%20-%20JOAO%20CLAUDIO%20NOGUEIRA.pdf
bitstream.checksum.fl_str_mv ca347868f74f6f82e2a37364f74bf8fe
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801861059443687424

Registros relacionados