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 | Mikos, Walter Luís | - |
Autor(es): dc.contributor | Mikos, Walter Luís | - |
Autor(es): dc.contributor | Magatão, Leandro | - |
Autor(es): dc.contributor | Nakayama, Ruy Somei | - |
Autor(es): dc.creator | Takahassi, Joe Michael Hideyuki Furuya | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:55:19Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:55:19Z | - |
Data de envio: dc.date.issued | 2024-10-30 | - |
Data de envio: dc.date.issued | 2024-10-30 | - |
Data de envio: dc.date.issued | 2022-11-28 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/35299 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1104272 | - |
Descrição: dc.description | One of the problems faced by manufacturing industries is the casting defects present in their production. Traditionally, one of the most used methods in quality control is visual inspection, which is a non-destructive and inexpensive method of detecting nonconformities. However, their efficiency depends on several factors that are not always within the inspector’s control. Alternatively, some industries have adopted the use of machine vision systems in the quality sector as a way to replace human vision with more sophisticated computers and cameras. A technology capable of assisting such systems in their classification tasks are Neural Networks, a specific division of Artificial Intelligence. This work aims to develop a model in Convolutional Neural Network for the classification of cast impeller pumps through the analysis of their images, as a part of a machine vision system of a hypothetical manufacturing industry. The objective is for the algorithm to be able to accurately classify a component as conforming or defective, depending on the presence or absence of casting defects by analyzing its images. A problem that arises in this task is in the analysis of unstructured data by the computer. Using the CRISP-DM methodology and specific Python libraries, it was possible to develop a model with 99.44% accuracy in its predictions in the test data. | - |
Descrição: dc.description | Um dos problemas enfrentados pelas indústrias de manufatura é a não conformidade presente na sua produção. Tradicionalmente, um dos métodos mais utilizados no controle de qualidade é a inspeção visual, que se constitui um método não destrutivo e barato de detectar não conformidades. Porém, a sua eficiência depende de vários fatores que nem sempre estão no controle do inspetor. Como alternativa, algumas indústrias vêm adotando o uso de sistemas de visão de máquina no setor de qualidade, como uma forma de substituir a visão humana por computadores e câmeras mais sofisticadas. Uma tecnologia capaz de auxiliar tais sistemas nas suas tarefas de classificação são as Redes Neurais, uma divisão específica da Inteligência Artificial. Esse trabalho visa elaborar um modelo em Rede Neural Convolucional para a classificação de bombas de impulsores fundidos através da análise das suas imagens, como parte integrante de um sistema de visão de máquina de uma indústria de manufatura hipotética. O objetivo é que o algoritmo seja capaz de classificar, com acurácia, um componente em conforme ou não conforme, em função da presença ou não de defeitos de fundição pela análise das suas imagens. Um problema que surge nessa tarefa está na análise de dados não estruturados pelo computador. Com o uso da metodologia CRISP-DM e de bibliotecas específicas da linguagem Python, foi possível elaborar um modelo com 99,44% de acurácia nas suas predições em dados de teste. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
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 | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0/ | - |
Palavras-chave: dc.subject | Visão por computador | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Controle de qualidade | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Computer vision | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Quality control | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA MECANICA | - |
Título: dc.title | Detecção automatizada de defeitos em impulsores fundidos utilizando inteligência artificial | - |
Título: dc.title | Automated detection of defects in cast impellers using Artificial Intelligence | - |
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: