Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning

• Ano de defesa: 2019
• Autor(a) principal: Mazzetto, Muriel
• Orientador(a): Teixeira, Marcelo
• Banca de defesa: Brun, André Luiz , Casanova, Dalcimar , Cavalcanti, Pablo Gauterio , Lopes, Yuri Kaszubowski
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Pato Branco
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica
• País: Brasil
• Palavras-chave em Português: Visão por computador; Processamento de imagens; Aprendizado do computador; Redes neurais (Computação); Computer vision; Image processing; Machine learning; Neural networks (Computer science)
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/4607

O processo de produção industrial capaz de produzir simultaneamente múltiplos tipos de produtos sobre a mesma linha de fabricação define um modelo industrial denominado de manufatura flexível. Um exemplo de manufatura flexível é o da indústria automotiva, que fabrica diferentes modelos de veículos sobre a mesma planta, cada um composto por um conjunto próprio de componentes. Nesse tipo de ambiente, é comum que os conjuntos de peças sejam inicialmente separados por operadores humanos para, posteriormente, serem manipulados por robôs. Como essa evolução depende da percepção humana, passa a ser um procedimento suscetível a erros de conformidade, situação em que elementos de manufatura podem não pertencer ao mesmo modelo do produto fabricado. Tal tarefa passou, recentemente, a ser complementada por percepção artificial advinda de sistemas de visão computacional (SVCs), que são compostos por câmera e um computador embarcado, para aquisição, processamento e classificação de imagens. Esses sistemas podem ser utilizados para verificar possíveis defeitos e atestar sobre a conformidade ou não de componentes nas linhas de produção. Apesar da relevância prática, a eficiência de um SVC convencional depende do controle da iluminação, enclausuramento e parada da linha para a fixação das peças, o que encarece a solução e reverte grande parte dos seus benefícios. Além disso, os métodos tradicionais de vis˜ao possuem etapas de parametrização manuais dependentes de um especialista. Recentemente, na literatura tem se abordado métodos baseados em deep learning (DL) para contornar esses problemas. Essa abordagem busca imitar a capacidade humana de aprendizado e reconhecimento de padrões, através da abstração de características de um conjunto de imagens. Essa propriedade tende a agregar robustez aos SVCs e reduzir a necessidade de controle do ambiente e da percepção humana para definição de parâmetros. Este trabalho propõe uma alternativa baseada em deep learning, de aprendizado supervisionado, para a detecção e classificação de múltiplos componentes em linhas de montagem automotiva flexível supervisionado, para detecção de objetos. Quando supervisionados, esses algoritmos requerem um conjunto de imagens como base de treino. Além das imagens, devem ser identificadas a região e a classe de cada objeto. Essa identificação consiste apenas em definir uma regi˜ao que delimite o objeto alvo e sua respectiva classe. A solução o não requer intervenções no ambiente operacional, tampouco a parada da linha de produção para coleta e análise de imagens, agregando eficiência e eficácia ao processo produtivo sem depender excessivamente de percepção humana. A abordagem ´e ilustrada por meio de dois estudos de caso conduzidos sobre uma planta real de montagem de veículos.