Aplicação de machine learning em visão computacional para detecção de falhas em objetos

Abstract

Este trabalho propõe o desenvolvimento de um sistema de inspeção visual automa- tizada baseado em técnicas de machine learning aplicadas à visão computacional, com o objetivo de classificar em tempo real amostras de tampas como intactas ou violadas. A motivação para a adoção dessa abordagem reside na dificuldade de se de- senvolver algoritmos tradicionais suficientemente robustos para lidar com as variações presentes nas amostras, tais como reflexos metálicos, irregularidades superficiais e variações de ângulo de captura. O sistema foi desenvolvido utilizando o software NI Vision Builder AI (VBAI), no qual foram implementadas etapas de pré-processamento de imagem, binarização e classificação por aprendizado de máquina supervisionado. Para o treinamento do classificador, foram coletadas 200 imagens, igualmente distri- buídas entre as duas classes, e empregada a técnica de validação cruzada com 10 folds, garantindo maior confiabilidade na avaliação do desempenho do modelo. A fim de identificar a combinação mais eficiente, foram testadas todas as combinações possíveis entre os três algoritmos de classificação disponíveis, sendo eles o Nearest Neighbor, o K-Nearest Neighbor e o Minimum Mean Distance, e as três métricas de distância: euclidiana, máxima e de Manhattan. O melhor resultado obtido atingiu uma taxa média de acertos de 71%, valor que, embora indique a viabilidade da abordagem, não se mostrou suficiente para aplicação em ambiente produtivo real. A principal limitação identificada foi a impossibilidade de manipulação manual do vetor de características dentro do software utilizado, fator determinante para a precisão de classificadores baseados em machine learning. Como perspectivas futuras, sugere-se a utilização de ferramentas que permitam maior controle sobre o vetor de características, ou adoção de abordagens mais sofisticadas, como o deep learning, paradigma no qual o pró- prio sistema determina automaticamente as características mais relevantes de forma iterativa.

This work proposes the development of an automated visual inspection system based on machine learning techniques applied to computer vision, with the objective of classifying samples of lids as intact or tampered in real time. The motivation for adopting this approach lies in the difficulty of developing traditional algorithms sufficiently robust to handle the variations present in the samples, such as metallic reflections, surface irregularities, and variations in capture angle. The system was developed using the NI Vision Builder AI (VBAI) software, in which image preprocessing, binarization, and supervised machine learning classification steps were implemented. For classifier training, 200 images were collected, equally distributed between the two classes, and the cross-validation technique with 10 folds was employed, ensuring greater reliability in the evaluation of the model’s performance. In order to identify the most efficient combination, all possible combinations among the three available classification algorithms were tested, namely Nearest Neighbor, K-Nearest Neighbor, and Minimum Mean Distance, along with the three distance metrics: Euclidean, maximum, and Manhattan. The best result achieved an average accuracy rate of 71%, a value that, although indicating the viability of the approach, proved insufficient for application in a real production environment. The main limitation identified was the inability to manually manipulate the feature vector within the software used, a determining factor for the precision of machine learning-based classifiers. As future perspectives, the use of tools that allow greater control over the feature vector is suggested, as well as the adoption of more sophisticated approaches, such as deep learning, a paradigm in which the system itself automatically determines the most relevant features in an iterative manner.