
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 | Gasoto, Sidney Carlos | - |
| Autor(es): dc.contributor | Schweig, Florian | - |
| Autor(es): dc.contributor | Gasoto, Sidney Carlos | - |
| Autor(es): dc.contributor | Magatão, Leandro | - |
| Autor(es): dc.contributor | Rodrigues, Luiz Carlos de Abreu | - |
| Autor(es): dc.creator | Kawai, Victor Omura | - |
| Data de aceite: dc.date.accessioned | 2025-08-29T11:52:36Z | - |
| Data de disponibilização: dc.date.available | 2025-08-29T11:52:36Z | - |
| Data de envio: dc.date.issued | 2023-08-19 | - |
| Data de envio: dc.date.issued | 2027-05-30 | - |
| Data de envio: dc.date.issued | 2023-08-19 | - |
| Data de envio: dc.date.issued | 2022-07-01 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/32158 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1084873 | - |
| Descrição: dc.description | Foundry parts face currently the issue of cavities, due to their high cooling speed. When these parts are used on production of car motors, this peculiarity becomes even more important, since motors are exposed to high fluid pressures. Given the motor production is a vital aspect for the company, specially when produced in large scales, it is essential to inspect them after machining and assembly, which may occasionally originate scratches as well. Usually, this is done by a worker manually, who inspects several parts and is subject to human limitations. Artificial Intelligence, on the other hand, arose recently on the quality field due to the possibility of automating this process, só as reducing the error rates. This study aims to assist the worker on the recognition of scratches and cavities through the use of Artificial Intelligence, specifically Semantic Segmentation, while keeping it compact for further implementation on other production lines, só as intuitive enough to allow the worker without previous system knowledge to utilize it. In order to achieve that, the project components was divided into Hardware and Software. For the first one, a metal inducer sensor was placed on the production line, which is activated every time a cylinder head came. The activation was sent to the analog pins of an Arduino, which by his turn, sent a signal to a computer serial port. This serial port was read by a python file, which then entered a loop to shoot a photo, when the signal was sent. Regarding the Software, it was divided into four independent modules or programs. First, photos were manually taken and labeled in the format of masks. After that, in the second module, the model was trained and its history was saved. The third module was responsible for shooting a photo and predicting based on the trained model. Finally, the fourth module concerned the intuitive goal by designing a Graphical User Interface. The results fulfill the project’s initial conditions and needs, after a thorough assessment of the output images. Initially the images were manually labeled, presenting a human failure in itself and not extracting all the meaningful features. Given that, not only the system learned to extract new features missing on labelling, but also several classes were mispredicted. The final results are visible and sharp detections, but with different colors than expected, which in short, reduce the overall score, but do not affect the effectiveness of the work. Taking into account the diversity of photo environments, the model surpassed expectations, presenting only a few limitations, which does not represent a threat to the worker. | - |
| Descrição: dc.description | As peças de fundição enfrentam atualmente a questão das cavidades, devido à sua alta velocidade de resfriamento. Quando estas peças são utilizadas na produção de motores de automóveis, esta peculiaridade torna-se ainda mais importante, uma vez que os motores são expostos a altas pressões de fluido. Dado que a produção de motores é um aspecto vital para a empresa, especialmente quando produzidos em grandes escalas, é essencial inspecioná-los após a sua usinagem e montagem, o que pode ocasionalmente originar também riscos. Normalmente, isto é feito por um trabalhador manualmente, que inspeciona várias peças e está sujeito a limitações humanas. A Inteligência Artificial, por outro lado, surgiu recentemente no campo da qualidade, devido à possibilidade de automatizar este processo, de modo a reduzir as taxas de erro. Este estudo visa ajudar o trabalhador no reconhecimento de riscos e cavidades através da utilização da Inteligência Artificial, especificamente Segmentação Semântica, mantendo-a compacta para posterior implementação em outras linhas de produção, de modo a ser suficientemente intuitiva para permitir que o trabalhador sem conhecimento prévio do sistema a utilize. Com essa finalidade, os componentes do projeto foram divididos em Hardware e Software. Para a primeira, foi instalado um sensor indutor metálico na linha de produção, que é ativado sempre que surge um cabeçote do motor. A ativação é então enviada para os pinos analógicos de um Arduino, que por sua vez, enviam um sinal para uma porta serial do computador. Em seguida, esta porta serial é lida por um programa de Python, que depois introduz um loop para tirar uma foto, quando o sinal é enviado. Relativo ao Software, ele foi dividido em quatro módulos ou programas independentes. Primeiro, as fotos são tiradas manualmente e etiquetadas no formato de máscaras. Depois disso, no segundo módulo, o modelo é treinado e o seu histórico era guardado. O terceiro módulo foi responsável por tirar uma foto e prever com base no modelo treinado. Por fim, o quarto módulo diz respeito ao objetivo de ser intuitivo através da utilização de uma Interface Gráfica. Os resultados satisfazem as condições e necessidades iniciais do projeto, após uma avaliação minuciosa dos resultados. Inicialmente as imagens foram etiquetadas manualmente, apresentando uma falha humana em si e não extraindo todas as características significativas. Tendo em conta que, não só o sistema aprendeu a extrair novas características ausentes no processo de criação de labels, mas também várias classes foram mal previstas. Os resultados finais são detecções visíveis e nítidas, mas com cores diferentes das programadas, o que, em suma, reduz a pontuação global, mas não afetam a eficácia do trabalho. Tendo em conta a diversidade de ambientes fotográficos, o modelo superou as expectativas, apresentando apenas algumas limitações, o que não representa uma ameaça para o trabalhador. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Curitiba | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Engenharia Mecânica | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | embargoedAccess | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0/ | - |
| Palavras-chave: dc.subject | Métodos de linha de montagem | - |
| Palavras-chave: dc.subject | Inteligência artificial | - |
| Palavras-chave: dc.subject | Computação semântica | - |
| Palavras-chave: dc.subject | Arduino (Controlador programável) | - |
| Palavras-chave: dc.subject | Aprendizado de máquinas | - |
| Palavras-chave: dc.subject | Visão por computador | - |
| Palavras-chave: dc.subject | Códigos corretores de erros (Teoria da informação) | - |
| Palavras-chave: dc.subject | Redes neurais (Computação) | - |
| Palavras-chave: dc.subject | Assembly-line methods | - |
| Palavras-chave: dc.subject | Artificial intelligence | - |
| Palavras-chave: dc.subject | Semantic computing | - |
| Palavras-chave: dc.subject | Arduino (Programmable controller) | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Computer vision | - |
| Palavras-chave: dc.subject | Error-correcting codes (Information theory) | - |
| Palavras-chave: dc.subject | Neural networks (Computer science) | - |
| Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::PROCESSOS DE FABRICACAO | - |
| Título: dc.title | Semantic segmentation applied for error recognition in the production line of V8 engines cylinder heads | - |
| Título: dc.title | Segmentação semântica aplicada para reconhecimento de erros na linha de produção de cabeçotes de motores V8 | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT | |
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: