Deep Learning para inspeção visual em peças fundidas

Abstract

RESUMO: Automatizar o controle de qualidade é um grande desafio para as indústrias, o controle de qualidade é fundamental para detectar falhas e defeitos em produtos. A inspeção visual automatizada usando visão computacional pode melhorar a precisão da inspeção e reduzir custos. A próxima revolução industrial (Indústria 4.0) é caracterizada pelo uso de sensores instalados nas linhas de produção, gerando uma riqueza de dados em cada etapa do processo produtivo. Automatizar o controle de qualidade e a inspeção pode reduzir os custos de mão de obra, aumentar a produtividade e garantir produtos de maior qualidade. O objetivo deste estudo é apresentar a aplicação das técnicas de Deep Learning, Redes Neurais Convolucionais, por meio de um script escrito em linguagem Python que identifique as fotografias das peças fundidas defeituosas, a fim de aperfeiçoar as inspeções manuais. Desta forma, alcançaram-se resultados satisfatórios de precisão acima de 99% capaz de auxiliar as rotinas de inspeções dos operadores. Existe a possibilidade de melhorar o modelo e o sistema de detecção de produtos defeituosos de maneira Human-in-the-Loop, tal combinação do processamento rápido dos dados e a precisão do algoritmo de detecção com a capacidade de tomada de decisão e julgamento humano para identificar e classificar os produtos que apresentam falhas.

ABSTRACT: Automating quality control is a major challenge for industries, quality control is critical to detecting flaws and defects in products. Automated visual inspection using computer vision can improve inspection accuracy and reduce costs. The next industrial revolution (Industry 4.0) is characterized by the use of sensors installed in production lines, generating a wealth of data at each stage of the production process. Automating quality control and inspection can reduce labor costs, increase productivity, and ensure higher quality products. The objective of this study is to present the application of Deep Learning techniques, Convolutional Neural Networks, through a script written in Python language that identifies the photographs of defective castings, in order to improve manual inspections. In this way, satisfactory results of precision above 99% were achieved, capable of assisting the inspection routines of the operators. There is the possibility of improving the model and the system of detection of defective products in a Human-in-the-Loop way, such a combination of the fast processing of the data and the accuracy of the detection algorithm with the ability of decision-making and human judgment to identify and classify the products that present flaws.