Reconhecimento de anomalias em peças injetadas através do uso de redes neurais convolucionais

Abstract

Os sistemas de visão computacional são soluções que empregam técnicas de processamento e análise de imagens para a realização de tarefas como a medição, a contagem e a inspeção de características. Com o avanço recente das tecnologias de inteligência artificial, há possibilidade de obter-se modelos de aprendizado de máquina com a capacidade de tornarem-se especialistas na classificação de peças. Este é o conceito que este trabalho explora. Utilizando do bom desempenho que as redes neurais convolucionais possuem sobre a classificação de imagens e aproveitando-se do modelo pré treinados InceptionV3 através do método de transfer learning (aprendizado por transferência), o projeto criou um classificador personalizado com o objetivo de separar peças manufaturadas sobre o processo de injeção plástica em dois rótulos distintos, peças conformes e peças não-conformes. Os resultados obtidos pelo trabalho foram satisfatórios de modo a obter-se uma acuracidade de 94,05% durante o treinamento do melhor modelo testado. A partir deste resultado concluiu-se que os métodos explorados podem ser utilizados para o desenvolvimento de ferramentas com o objetivo de atender ambientes industriais.

Computer vision systems are solutions that employ image processing and analysis techniques to perform tasks such as measuring, counting and inspecting features. With the latest advancement in artificial intelligence technologies, it is possible to achieve machine learning models with the ability to become part classification specialists. This is the concept this work explores. Using the good performance that convolutional neural networks have over an image classification and taking advantage of the InceptionV3 pre-trained model using the transfer learning method, the project created a custom classifier with the purpose of separating parts manufactured on plastic injection molding process in two separate labels called of conforming parts and nonconforming parts. The results obtained by this work were satisfactory and obtain an accuracy of 94.05% during the training of the best tested model. Through this result, the explored methods can be used for the development of tools aiming to meet industrial environments.