Detecção automatizada de defeitos em impulsores fundidos utilizando inteligência artificial

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMikos, Walter Luís-
Autor(es): dc.contributorMikos, Walter Luís-
Autor(es): dc.contributorMagatão, Leandro-
Autor(es): dc.contributorNakayama, Ruy Somei-
Autor(es): dc.creatorTakahassi, Joe Michael Hideyuki Furuya-
Data de aceite: dc.date.accessioned2025-08-29T12:55:19Z-
Data de disponibilização: dc.date.available2025-08-29T12:55:19Z-
Data de envio: dc.date.issued2024-10-30-
Data de envio: dc.date.issued2024-10-30-
Data de envio: dc.date.issued2022-11-28-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/35299-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1104272-
Descrição: dc.descriptionOne 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.descriptionUm 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.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia Mecânica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/-
Palavras-chave: dc.subjectVisão por computador-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectControle de qualidade-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectComputer vision-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectQuality control-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA MECANICA-
Título: dc.titleDetecção automatizada de defeitos em impulsores fundidos utilizando inteligência artificial-
Título: dc.titleAutomated detection of defects in cast impellers using Artificial Intelligence-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.