Sistema imunológico artificial com aprendizagem profunda para detectar defeitos de solda em imagens radiográficas PDVD de tubulações de petróleo

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCenteno, Tania Mezzadri-
Autor(es): dc.contributorhttp://orcid.org/0000-0002-6521-2042-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9733090611396955-
Autor(es): dc.contributorDelgado, Myriam Regattieri De Biase da Silva-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-2791-174X-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4166922845507601-
Autor(es): dc.contributorAlmeida, Carolina Paula de-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8586489892942437-
Autor(es): dc.contributorFabro, João Alberto-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6841185662777161-
Autor(es): dc.contributorNievola, Julio Cesar-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-2212-4499-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9242867616608986-
Autor(es): dc.contributorSilva, Ricardo Dutra da-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-8002-8411-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8512085741397097-
Autor(es): dc.contributorCenteno, Tania Mezzadri-
Autor(es): dc.contributorhttp://orcid.org/0000-0002-6521-2042-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9733090611396955-
Autor(es): dc.creatorFioravanti, Celia Cristina Bojarczuk-
Data de aceite: dc.date.accessioned2022-02-21T21:33:16Z-
Data de disponibilização: dc.date.available2022-02-21T21:33:16Z-
Data de envio: dc.date.issued2020-06-18-
Data de envio: dc.date.issued2020-06-18-
Data de envio: dc.date.issued2020-03-25-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/5023-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/655240-
Descrição: dc.descriptionIn recent years, research focused on (semi)automatic radiographic inspection methods has gained more attention. The present work proposes a method for detecting defects in radiographic images of welded joints of oil pipes. Real condition images obtained by the double wall double image (DWDI) technique usually present a lower quality when compared with images traditionally considered in many studies reported in the literature. First, the proposed approach detects discontinuities in DWDI radiographic images of welded joints, and then, based on a hybrid paradigm encompassing artificial immune systems (AIS) and deep learning (DL), it classifies each discontinuity as ‘defect’ and ‘non-defect’. The proposed method performs two phases in the AIS module: early classification (based on negative selection) and evolving classification (based on clonal selection). In both phases, the pattern recognition task is performed using a set of features extracted from each discontinuity through a detector genetically encoded into immune cells. As an attempt to improve the classification performance, DL models (AlexNet and autoencoders) are incorporated aiming to increase the number of extracted features. Experiments performed on a set of 727 discontinuities show that the proposed approach achieves an F-score of 70.7%, outperforming each of its modules running by themselves: AlexNet with F-score = 64.86% and AIS with F-score = 66%. The experiments also show that the proposed model is capable outperforming tradicional classifiers such as SVM, whose best implementation has achieved an F-score around 60%. Considering the challenges imposed by real conditions on image acquisition and the low rates of false negatives, results demonstrate that the proposed approach can be used to assist experts in their inspection works when dealing with DWDI images.-
Descrição: dc.descriptionNos últimos anos, pesquisas voltadas para métodos de inspeção radiográfica (semiautomáticas) ganharam mais atenção. O presente trabalho propõe um método para detectar defeitos em imagens radiográficas de juntas soldadas de tubulações de petróleo. Imagens em condições reais obtidas pela técnica de parede dupla vista dupla (PDVD) geralmente apresentam uma qualidade inferior quando comparadas às imagens tradicionalmente consideradas em muitos estudos relatados na literatura. Primeiro, a abordagem proposta detecta descontinuidades em imagens radiográficas PDVD de juntas soldadas e, em seguida, com base em um paradigma híbrido que abrange sistemas imunes artificiais (SIA) e aprendizado profundo (deep learning – DL), classifica cada descontinuidade como ‘defeito’ e ‘não defeito’. O método proposto realiza duas fases no módulo SIA: eliminação inicial (com base na seleção negativa) e classificação evolutiva (com base na seleção clonal). Em ambas as fases, a tarefa de reconhecimento de padrões é realizada usando um conjunto de características extraídas de cada descontinuidade por meio de um detector geneticamente codificado nas células imunológicas. Na tentativa de melhorar o desempenho da classificação, modelos DL, do inglês Deep Learning, os quais envolvem o uso da AlexNet e autoencoders são incorporados com o objetivo de aumentar o número de características extraídas. As experiências realizadas em um conjunto de 727 descontinuidades mostram que a abordagem proposta alcança um F-score de 70,7%, superando cada um de seus módulos sendo executados isoladamente: AlexNet com F-score = 64,86% e SIA com F-score = 66%. Os experimentos mostram ainda que o modelo proposto é capaz de superar classificadores tradicionais como o SVM, cuja melhor configuração alcançou taxas de F-score em torno de 60%. Considerando os desafios impostos pelas condições reais na aquisição de imagens e as baixas taxas de falsos negativos, os resultados mostram que a abordagem proposta pode ser usada para auxiliar os especialistas em seus trabalhos de inspeção ao lidar com imagens PDVD.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Elétrica e Informática Industrial-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectDiagnóstico radioscópico-
Palavras-chave: dc.subjectRadiografia industrial-
Palavras-chave: dc.subjectRadiografia médica-
Palavras-chave: dc.subjectRadiografia - Qualidade da imagem-
Palavras-chave: dc.subjectRadiografia - Processamento-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectTubulação - Indústrias - Inspeção-
Palavras-chave: dc.subjectTubos - Dinâmica dos fluidos-
Palavras-chave: dc.subjectPetróleo - Transporte - Inspeção-
Palavras-chave: dc.subjectDiagnosis, Radioscopic-
Palavras-chave: dc.subjectRadiography, Industrial-
Palavras-chave: dc.subjectRadiography, Medical-
Palavras-chave: dc.subjectRadiography - Image quality-
Palavras-chave: dc.subjectRadiography - Processing-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectPiping - Industries - Inspection-
Palavras-chave: dc.subjectTubes - Fluid dynamics-
Palavras-chave: dc.subjectPetroleum - Transportation - Inspection-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Palavras-chave: dc.subjectEngenharia Elétrica-
Título: dc.titleSistema imunológico artificial com aprendizagem profunda para detectar defeitos de solda em imagens radiográficas PDVD de tubulações de petróleo-
Título: dc.titleArtificial immune system with deep learning to detect weld defects in DWDI radiographic images of petroleum pipes-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.