Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Ando, José Kimio | - |
Autor(es): dc.contributor | Mello, Luiz Carlos Brasil de Brito | - |
Autor(es): dc.contributor | Pereira, Valdecy | - |
Autor(es): dc.creator | Ramos, Eduardo Alves | - |
Data de aceite: dc.date.accessioned | 2025-08-21T20:12:19Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T20:12:19Z | - |
Data de envio: dc.date.issued | 2025-01-21 | - |
Data de envio: dc.date.issued | 2025-01-21 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/36107 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1056586 | - |
Descrição: dc.description | Este trabalho busca analisar a utilização de diferentes algoritmos computacionais na inspeção visual de peças em linhas de produção industriais, com foco na identificação de defeitos e na comparação de suas eficácias. Foram desenvolvidas e testadas abordagens baseadas em cartas de controle estatístico, regressão logística e redes neurais convolucionais (CNNs). As implementações foram realizadas em Python, utilizando ferramentas como PyTorch e TensorFlow, com o apoio do Google Colab, uma plataforma que facilitou a execução dos experimentos de maneira prática e acessível. Ao longo do trabalho são apresentados testes realizados com base em um conjunto de imagens obtidas no Kaggle, que passaram por etapas de pré-processamento garantindo que todos os dados estivessem padronizados para as análises. Os resultados, de maneira geral, mostraram que as redes neurais convolucionais apresentaram os melhores resultados na identificação de defeitos, superando as abordagens tradicionais. Essa tecnologia demonstrou ser especialmente eficaz por sua capacidade de identificar padrões complexos e realizar análises precisas. Conclui-se, também, que a aplicação dessas tecnologias contribui de forma significativa para a modernização dos processos industriais e para a melhoria contínua dos produtos. | - |
Descrição: dc.description | This study aims to analyze the use of different computational algorithms in the visual inspection of parts in industrial production lines, focusing on defect detection and the comparison of their effectiveness. Approaches based on statistical control charts, logistic regression, and convolutional neural networks (CNNs) were developed and tested. The implementations were carried out in Python, using tools such as PyTorch and TensorFlow, with the support of Google Colab, a platform that facilitated the execution of experiments in a practical and accessible way. Throughout the study, tests were conducted based on a dataset obtained from Kaggle, which underwent preprocessing steps to ensure all data were standardized for analysis. Overall, the results demonstrated that convolutional neural networks achieved the best performance in defect detection, surpassing traditional approaches. This technology proved to be particularly effective due to its ability to identify complex patterns and perform precise analyses. It is concluded that the application of these technologies significantly contributes to the modernization of industrial processes and the continuous improvement of products. | - |
Descrição: dc.description | 90 f. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Inspeção visual | - |
Palavras-chave: dc.subject | Detecção de defeitos | - |
Palavras-chave: dc.subject | Cartas de controle | - |
Palavras-chave: dc.subject | Regressão logística | - |
Palavras-chave: dc.subject | Redes neurais convolucionais | - |
Palavras-chave: dc.subject | Inspeção visual | - |
Palavras-chave: dc.subject | Rede neural | - |
Palavras-chave: dc.subject | Algoritmo computacional | - |
Palavras-chave: dc.subject | Indústria | - |
Palavras-chave: dc.subject | Visual inspection | - |
Palavras-chave: dc.subject | Defect detection | - |
Palavras-chave: dc.subject | Control charts | - |
Palavras-chave: dc.subject | Logistic regression | - |
Palavras-chave: dc.subject | Convolutional neural networks | - |
Título: dc.title | Tecnologia na indústria: um estudo sobre a utilização de algoritmos para inspeção com computação visual | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: