Detecção de falhas em contentores plásticos utilizando Redes Neurais Convolucionais
Abstract
A indústria 4.0 visa promover o desenvolvimento tecnológico, agilizando e automatizando processos buscando ganhos operacionais gerando diferencial competitivos nas empresas que a aplicam. As técnicas de Deep Learning no segmento de visão computacional estão revolucionando o processo de detecção e objetos, tornando os processos de desenvolvimento menos complexo e obtendo resultados cada vez melhores. Tradicionalmente, a análise de falhas em contentores plásticos vem sendo realizada de forma visual, cabendo ao operador a identificação das falhas. Este processo, por ser visual, demanda tempo do operador, submetendo o mesmo a executar várias tarefas de forma simultânea no seu posto de trabalho, assim, correndo o risco de levar à possíveis erros de identificação e apontamentos. Este estudo tem por objetivo demonstrar as etapas a serem seguidas pelos autores na elaboração de um modelo, o qual irá auxiliar no processo de conferência e verificação da qualidade do produto, analisando imagens dos produtos e indicando o local exato do defeito. Neste artigo, foram empregadas técnicas de Deep Learning, seguindo uma abordagem de aprendizado supervisionado baseado em Redes Neurais Convolucionais. Com o intuito de apresentar os passos a serem seguidos na elaboração deste modelo, abordando a tecnologia usada, iniciou-se pela coleta das imagens, rotulagem, treinamento e, por fim, a avaliação do modelo gerado. Com esse estudo, foi possível concluir que o uso das Redes Neurais Convolucionais pode auxiliar e evoluir o processo de detecção de falhas, proporcionando controles automatizados, agregando informações que possibilitam uma melhor tomada de decisão.
References
H. Kagermann, J. Helbig, A. Hellinger, and W. Wahlster, “Recommendations for implementing the strategic initiative INDUSTRIE 4.0: Securing the future of German manufacturing industry,” Final report of the Industrie 4.0 Working Group, 2013.
M. Hermann, T. Pentek and B. Otto, "Design Principles for Industrie 4.0 Scenarios," 2016 49th Hawaii International Conference on System Sciences (HICSS), pp. 3928-3937, 2016.
H. Lasi, H. Kemper, P. Fettke, and T. Feld, “Industry 4.0,” Bus Inf Syst Eng 6, pp. 239–242, 2014.
A. Krizhevsky, I. Sutskever, and H. Geoffrey, “ImageNet Classification with Deep Convolutional Neural Networks,” 2012.
R. Girshick, ”Fast R-CNN,” 2015.
Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, pp. 436–444, 2015.
J. Schmidhuber “Deep Learning in neural networks: an overview,” Neural Networks, vol. 61, pp. 65–117, 2014.
Y. Bengio, A. Courville, and P. Vincent, “Representation learning: A review and new perspectives,” IEEE transactions on pattern analysis and machine intelligence, vol. 35, pp. 1798–1828, 2013.
G. Luger, “Inteligência Artificial 6. ed,” Person Education do Brasil, p. 323, 2013
S. Ren, K. He, R. Girshick, and J. Sun “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks.” IEEE Transactions on Pattern Analysis and Mahcine Intelligence, vol. 39, pp. 137- 149, 2017
Y. Lecun, L. Bottou, Y. Bengio and P. Haffner, "Gradient-based learning applied to document recognition," Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, 1998.
R. Girshick, J. Donahue, T. Darrell and J. Malik, "Region-Based Convolutional Networks for Accurate Object Detection and Segmentation," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 38, no. 1, pp. 142-158, 2016.
J. Uijlings, K. van de Sande, T. Gevers, and A. Smeulders. “Selective Search for Object Recognition,” Int J Comput Vis, vol. 104, pp. 154–171, 2013.
K. He, X. Zhang, S. Ren and J. Sun, “Deep Residual Learning for Image Recognition,” IEEE Conference on Computer Vison and Pattern Recognition, pp. 770-778, 2016
M. D. Zeiler and R. Fergus. “Visualizing and understanding convolutional neural networks,” ECCV, pp. 818-833,2014.
Z. Zou, Z. Shi, Y. Guo, and Ye, J. “Object detection in 20 years: A survey,” 2019.
R. Girshick, J. Donahue, T. Darrell, and J. Malik, “Rich feature hierarchies for accurate object detection and semantic segmentation,” IEEE Conference on Computer Vision and Pattern Recognition, pp. 580–587, 2014.
S. S. Haykin, “Neural networks and learning machines,” Pearson Upper Saddle River, vol. 3, 2009
G. Hinton, N. Srivastava, A. Krizhevsky, I. Sutskever, and R. R. Salakhutdinov. “Improving neural networks by preventing co-adaptation of feature detectors,” 2012.
Application Programming Interface Objetct Detection Tensorflow. Available: https://github.com/tensorflow/models/tree/master/research/object_detection Accessed: 01-Set-2020.
M. Abadi, P. Barham, J. Chen, Z. Chen, A. Davis, J. Dean, M. Devin, S. Ghemawat, G. Irving, M. Isard, M. Kudlur, J. Levenberg, R. Monga, S. Moore, D. Murray, B. Steiner, P. Tucker, V. Vasudevan, P. Warden, M. Wicke, Y. Yu, and X. Zheng, “Tensorflow: a system for large-scale machine learning,” 12th USENIX conference on operating systems design and implementation, OSDI’16., pp 265–283, 2016.
[Tensorflow Model Zoo. Avaliable: https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md Accessed: 01-Set-2020.
Faster R-CNN Inception V2 Coco. Avaliable: http://download.tensorflow.org/models/object_detection/faster_rcnn_inception_v2_coco_2018_01_28.tar.gz Accessed: 01-Set-2020.
Coco Dataset. Avaliable: http://cocodataset.org/ Accessed: 01-Set-2020.
T.-Y. Lin, M. Maire, S. Belongie, L. Bourdev, R. Girshick, J. Hays, P. Perona, D. Ramanan, P. Dollar, and C. L. Zitnick, “Microsoft coco:
Common objects in context,” European conference on computer vision, pp. 740–755, 2014.
C. Szegedy, V. Vanhoucke, S. Ioffe, and J. Shlens, “Rethinking the inception architecture for computer vision,” 2015.
Keras. Avaliable: https://keras.io/ Accessed: 01-Set-2020.
Labelimg. Avaliable: https://github.com/tzutalin/labelImg Accessed: 01-Set-2020.
Object Detection Tutorial. Avaliable: https://github.com/tensorflow/models/blob/master/research/object_detection/colab_tutorials/object_detection_tutorial.ipynb Accessed: 01-Set-2020.
Downloads
Published
How to Cite
Issue
Section
License
Declaração de originalidade e cessão de direitos autorais
Declaro que o presente artigo é original, não está sendo tendo sido submetido à publicação em qualquer outro periódico nacional ou internacional durante o processo de revisão. Através deste instrumento, em meu nome e em nome dos demais co-autores, porventura existentes, cedo os direitos autorais do referido artigo à revista SCIENTIA CUM INDUSTRIA. Contudo, a reprodução total ou parcial impressa ou eletrônica pode ser feita desde que o autor comunique oficialmente à revista. Declaro estar ciente de que a não observância deste compromisso submeterá o infrator a sanções e penas previstas na Lei de Proteção de Direitos Autorias. Declaro estar ciente de que a não observância deste compromisso submeterá o infrator a sanções e penas previstas na Lei de Proteção de Direitos Autorias (Nº9610, de 19/02/1998).
