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 | Minetto, Rodrigo | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-2277-4632 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8366112479020867 | - |
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1861-3369 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7649611874688878 | - |
Autor(es): dc.contributor | Teixeira, Marco Antonio Simões | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-0372-312X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/3482274885890440 | - |
Autor(es): dc.contributor | Silva, Ricardo Dutra da | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-8002-8411 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8512085741397097 | - |
Autor(es): dc.contributor | Minetto, Rodrigo | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-2277-4632 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8366112479020867 | - |
Autor(es): dc.creator | Bicalho, André Gouthier | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:20:17Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:20:17Z | - |
Data de envio: dc.date.issued | 2024-12-25 | - |
Data de envio: dc.date.issued | 2026-05-31 | - |
Data de envio: dc.date.issued | 2024-12-25 | - |
Data de envio: dc.date.issued | 2024-11-28 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/35697 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1093456 | - |
Descrição: dc.description | Detecting defects in welding beads is critical for ensuring industrial components’ structural integrity and quality. However, the limited availability of labeled datasets for training robust machine learning models presents a challenge in this domain. This master thesis proposes a semisupervised method for weld defect detection and classification, leveraging Generative Adversarial Networks (GANs) to generate massive synthetic data. Our method focuses on a lightweight GAN architecture that reduces computational complexity while maintaining fidelity in synthesized images. Experiments on two weld bead datasets, lweld-long and lweld-short, contained over 200,000 artificially generated weld bead samples with diverse defect types, such as pores, deposits, discontinuities, and stains. Results showed improvements in model performance when GAN-generated samples were included. For example, in the lweld-long dataset with a 10% confidence threshold, the 𝐹-score improved from 66% to 69% and the mean Average Precision (mAP) from 61% to 63% with GAN samples. At a 50% confidence threshold, the 𝐹-score increased from 57% to 69% and the mAP from 41% to 56%. Similarly, on the lweld-short dataset, a slight gain was observed with GAN samples at a 10% confidence threshold, increasing the 𝐹-score from 49% to 50%, while the mAP remained at 41%. At a 50% confidence threshold, GAN samples led to more significant gains, with the 𝐹-score rising from 36% to 49% and the mAP from 20% to 33%. Across all defect categories, incorporating GAN-generated samples increased true positives and reduced false negatives, as demonstrated by improved confusion matrix outcomes across multiple experiments. These findings highlight the potential of synthetic data generation to enhance weld defect detection and quality control in industrial applications. | - |
Descrição: dc.description | A detecção de defeitos em cordões de solda é essencial para garantir a integridade estrutural e a qualidade de componentes industriais. No entanto, a disponibilidade limitada de conjuntos de dados rotulados para treinar modelos robustos de aprendizado de máquina apresenta um desafio neste domínio. Esta dissertação de mestrado propõe um método semi-supervisionado para a detecção e classificação de defeitos em soldas, se baseando em Redes Adversariais Generativas (GANs) para gerar grandes volumes de dados sintéticos. Nosso método foca em uma arquitetura de GAN leve que reduz a complexidade computacional, mantendo a fidelidade nas imagens sintetizadas. Experimentos foram realizados em dois conjuntos de dados de cordões de solda, lweld-long e lweld-short, contendo mais de 200.000 amostras de cordões de solda geradas artificialmente, com quatro tipos de defeitos: poros, depósitos, descontinuidades e manchas. Os resultados mostraram melhorias no desempenho do modelo quando amostras geradas por GAN foram incluídas. Por exemplo, no conjunto de dados lweld-long com um limiar de confiança de 10%, o 𝐹-score melhorou de 66% para 69% e a precisão média (mAP) de 61% para 63% com amostras GAN. Com um limiar de confiança de 50%, o 𝐹-score aumentou de 57% para 69%, e o mAP de 41% para 56%. Da mesma forma, no conjunto de dados lweld-short, foi observado um leve ganho com amostras GAN para um limiar de confiança de 10%, aumentando o 𝐹-score de 49% para 50%, enquanto o mAP permaneceu em 41%. Com um limiar de confiança de 50%, os resultados com amostras GAN levaram a ganhos mais significativos, com o 𝐹-score subindo de 36% para 49% e o mAP de 20% para 33%. Para todas as categorias de defeitos, a inclusão de amostras geradas por GAN aumentou os verdadeiros positivos e reduziu os falsos negativos, conforme demonstrado pelos resultados apresentados nas matrizes de confusão em múltiplos experimentos. Esses achados destacam o potencial da geração de dados sintéticos para aprimorar a detecção de defeitos em soldas e o controle de qualidade em aplicações industriais. | - |
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 | Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | embargoedAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Solda e soldagem - Defeitos - Detecção | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Aprendizagem supervisionada (Aprendizado de máquina) | - |
Palavras-chave: dc.subject | Imagens | - |
Palavras-chave: dc.subject | Controle de qualidade | - |
Palavras-chave: dc.subject | Algorítmos | - |
Palavras-chave: dc.subject | Solder and soldering - Defects - Detection | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Supervised learning (Machine learning) | - |
Palavras-chave: dc.subject | Pictures | - |
Palavras-chave: dc.subject | Quality control | - |
Palavras-chave: dc.subject | Algorithms | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
Palavras-chave: dc.subject | Engenharia Elétrica | - |
Título: dc.title | Um método semi-supervisionado baseado em GAN para detecção e classificação de defeitos em soldas | - |
Título: dc.title | A semi-supervised GAN-based method for weld defect detection and classification | - |
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: