Estudo de redes neurais convolucionais e sua aplicação na classificação de defeitos em embalagens de lenços umedecidos

Abstract

Este trabalho propõem a utilização de técnicas de aprendizado de máquina com foco em Redes Neurais Convolucionais, para a elaboração de sistemas de inspeção de qualidade. Os sistemas possuem o intuito de classificar imagens de embalagens de lenços umedecidos de uma linha de produção, em embalagem ok, embalagem com falha na tampa ou embalagem com lenço pra fora. Para isso, foram selecionados 3 produtos distintos fabricados em uma máquina presente em uma indústria de higiene pessoal. Cada produto possui sua rede neural individual. Para o desenvolvimento dos classificadores foi utilizada principalmente a biblioteca Fastai, com algoritmos escritos em Python, e a plataforma utilizada para os testes e treinamentos foi o Google Collabo- ratory. Todos os requisitos propostos no trabalho foram atendidos. Os classificadores dos produtos, demaquilante, higiene íntima e wipe germ home obtiveram acurácias de 91,8%, 96,0% e 96% respectivamente.Todas as CNNs usaram a arquitetura ResNet101 e o tempo médio de inferência para apenas uma imagem de 0,3s.

This work proposes the use of machine learning techniques focused on Convolutional Neural Networks to develop quality inspection systems. The systems have the intention of classifying images of wet wipes packages from a production line, in package ok, package with a flaw on the lid or package with the wipe out. For this, three different products were selected, manufactured in a machine present in a personal hygiene industry. Each product has its individual neural network. To develop the classifiers it was used mainly the library Fastai, with algorithms written in Python, and the platform used for testing and training was the Google Collaboratory. All the requirements proposed in the work were met. The classifiers for the products, demaquilant, intimate hygiene and wipe germ home obtained accuracies of 91.8%, 96.0% and 96% respectively.All CNNs used the ResNet101 architecture and the average inference time for only one image of 0.3s.