Classificação de defeitos de soldagem em imagens radiográficas PDVD de tubulações de petróleo: uma abordagem com ensemble de Extreme Learning Machines

• Ano de defesa: 2014
• Autor(a) principal: Boaretto, Neury
• Orientador(a): Centeno, Tania Mezzadri
• Banca de defesa: Centeno, Tania Mezzadri, Gomes, David Menotti, Nievola, Julio Cesar, Nassu, Bogdan Tomoyuki
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Curitiba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
• País: Brasil
• Palavras-chave em Português: Radiografia - Qualidade da imagem; Radiografia médica - Processamento; Trabalhos em metal; Oleodutos de petróleo; Soldagem; Engenharia elétrica; Radiography - Image quality; Radiography, Medical - Processing; Metal-work; Petroleum pipelines; Welding; Electric engineering
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::PROCESSAMENTO GRAFICO (GRAPHICS)
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/2890

A inspeção de defeitos de soldagem em imagens radiográficas de tubulações é bastante subjetiva e está sujeita a erros de interpretação por parte do inspetor laudista. Dentro desse contexto, nos últimos anos tem-se visto um grande esforço no desenvolvimento de métodos automáticos e semiautomáticos de detecção de defeitos em juntas soldadas. Este trabalho apresenta um método automatizado para detecção e classificação de defeitos em imagens radiográficas de juntas soldadas de tubulações obtidas pela técnica de exposição radiográfica parede dupla vista dupla (PDVD), obtidas em reais situações de campo e que, geralmente, têm uma qualidade mais baixa do que as imagens usadas em outros estudos. O método proposto identifica na imagem a região do cordão de solda, detecta as descontinuidades e classifica as mesmas em defeitos e não defeitos, destacando na imagem o resultado. São avaliados classificadores a partir de métodos de classificação por redes neurais Multilayer Perceptron (MLP), redes neurais Extreme Learning Machines (ELM) e classificador estatístico Support Vector Machines (SVM). O método proposto para identificação da região de interesse atingiu 100% de precisão na segmentação do cordão de solda. O classificador SVM apresentou um desempenho melhor que os classificadores MLP e ELM em todos os cenários testados. Com a utilização de ensembles de ELMs obteve-se um F-score de 85,7% para o banco de padrões de teste, resultados satisfatórios quando comprados com trabalhos semelhantes. O uso de ensembles de ELMs representa um ganho de apenas 0,5% no F-score em comparação com o melhor resultado de rede treinada individualmente, entretanto, com o uso de faixas de limiares de decisão do ensemble, o uso do método permite mostrar as descontinuidades sobre as quais o ensemble não tem certeza, destacando na imagem estas descontinuidades. A imagem resultate da aplicação do método serve como auxílio ao especialista na elaboração de laudos.