Towards explainable and reliable ferrous scrap classification with deep learning.

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLuz, Eduardo José da Silva-
Autor(es): dc.contributorLuz, Eduardo José da Silva-
Autor(es): dc.contributorSantos, Valéria de Carvalho Santos-
Autor(es): dc.contributorOliveira, Luciano Rebouças de-
Autor(es): dc.creatorSantos, Paulo Henrique dos-
Data de aceite: dc.date.accessioned2025-08-21T15:05:17Z-
Data de disponibilização: dc.date.available2025-08-21T15:05:17Z-
Data de envio: dc.date.issued2024-11-12-
Data de envio: dc.date.issued2024-11-12-
Data de envio: dc.date.issued2023-
Fonte completa do material: dc.identifierhttps://www.repositorio.ufop.br/handle/123456789/18964-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1002195-
Descrição: dc.descriptionPrograma de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.-
Descrição: dc.descriptionWith the notable importance of the steel industry in global energy consumption and greenhouse gas emissions, efforts have been made to optimize the steel recycling process. In this regard, au- tomatic scrap classification plays a fundamental role, enhancing the efficiency of the recycling process. However, a scrap classifier that is understandable and reliable is essential for its deploy- ment in a production industrial environment. Therefore, the main objective of this work is to investigate deep learning techniques combining conformal prediction for uncertainty quantifi- cation and explainable artificial intelligence (XAI). The deep learning architectures ResNet-50, Vision Transformer (ViT), and Swin Transformer were trained on a dataset containing 8,147 images distributed across nine scrap classes. The trained models achieved an average accuracy above 95%, and the results of split conformal prediction indicate Swin as the most reliable model. Furthermore, among the tested explainability methods, Score-CAM in conjunction with the Swin model yielded the best results, revealing the main characteristics of the scrap used by the model.-
Descrição: dc.descriptionCom a notória importância da indústria do aço no consumo global de energia e na emis- são de gases do efeito estufa, busca-se otimizar o processo de reciclagem do aço. Neste sentido, a classificação automática de sucatas desempenha um papel fundamental, aumentando a eficiên- cia do processo de reciclagem. Entretanto, um classificador de sucatas que seja compreensível e confiável é essencial para sua implantação em um ambiente industrial em produção. Portanto, o objetivo principal deste trabalho é investigar técnicas de aprendizado profundo combinando Predição Conforme para a quantificação de incertezas das inferências e Inteligência Artifical Explicável (XAI). As arquiteturas de aprendizado profundo ResNet-50, Vision Transformer (ViT) e Swin Transformer foram treinadas com um conjunto de dados contendo 8147 ima- gens distribuídas em nove classes de sucata. Os modelos treinados alcançaram uma acurácia média superior a 95%, e os resultados da Predição Conforme Particionada apontam o Swin como o modelo mais confiável. Além disso, dentre os métodos de explicabilidade testados, o Score-CAM em conjunto com o modelo Swin, apresentou os melhores resultados, revelando as principais características das sucatas utilizadas pelo modelo.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsaberto-
Direitos: dc.rightsAttribution-NonCommercial-ShareAlike 3.0 United States-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-sa/3.0/us/-
Direitos: dc.rightsAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 20/05/2024 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais.-
Palavras-chave: dc.subjectAprendizado profundo-
Palavras-chave: dc.subjectSucata de metais - classificação-
Palavras-chave: dc.subjectVisão por computador-
Título: dc.titleTowards explainable and reliable ferrous scrap classification with deep learning.-
Título: dc.titleRumo à classificação explícavel e confiável de sucatas ferrosas com aprendizado profundo.-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - UFOP

Não existem arquivos associados a este item.