Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Delgado, Myriam Regattieri De Biase da Silva | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-2791-174X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4166922845507601 | - |
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 | Nassu, Bogdan Tomoyuki | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-6441-8543 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4592104393315780 | - |
Autor(es): dc.contributor | Pedrini, Helio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-0125-630X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9600140904712115 | - |
Autor(es): dc.contributor | Oliveira, Lucas Ferrari de | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1622-8942 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/3534918669459073 | - |
Autor(es): dc.contributor | Delgado, Myriam Regattieri De Biase da Silva | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-2791-174X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4166922845507601 | - |
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.creator | Suyama, Fernando Moreira | - |
Data de aceite: dc.date.accessioned | 2022-02-21T22:03:51Z | - |
Data de disponibilização: dc.date.available | 2022-02-21T22:03:51Z | - |
Data de envio: dc.date.issued | 2021-05-18 | - |
Data de envio: dc.date.issued | 2021-05-18 | - |
Data de envio: dc.date.issued | 2020-12-01 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/24985 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/666977 | - |
Descrição: dc.description | Periodic inspections of pipelines are carried out mostly based on non-destructive tests and are essential to ensure safety, quality, and reliability in petrochemical facilities. The use of deep learning has gained prominence in different application domains but its use is recent in the context of radiographic inspection of petroleum pipelines. This work proposes a set of methods based on deep convolutional networks to support the activity of radiographic inspection of welded joints in oil pipes. The approaches proposed in this research aim at automatically identifying welding defects that can compromise the structure of installations and equipment under analysis. Therefore, the problem is addressed considering two phases: (i) detection of the welded joint and (ii) semantic segmentation of the welding defects. The detection of the welded joint, whose methodology represents one of the main innovations achieved in the work, identifies and classifies regions on radiographs with Double Wall Double View exposure of welded joints of oil pipelines. Semantic segmentation of defects, on the other hand, locates defects at the pixel level from samples extracted through sliding windows to investigate the compositional inference segmentation method proposed in this work. It is worth highlighting the challenges imposed by the considered dataset, mainly due to the lack of contrast and high level of noise present in most real-world images. The main contributions achieved in this thesis consist of a robustness analysis over different deep convolutional architectures to white and impulsive noise in radiographic inspection and in the proposal of innovative mechanisms for composing inferences to locate the welding defects pixel by pixel. Considering different test groups, the best configurations resulted in an average F-score of 96% when detecting welded joints. When detecting welding defects, the average F-score was 57% in semantic segmentation, i.e., pixel level, and 79% in detection tasks, i.e., object (defect) level. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Inspeções periódicas em tubulações e dutos, realizadas em geral com base em ensaios não destrutivos, são fundamentais para garantir segurança, qualidade e confiabilidade de instalações petroquímicas. O uso de aprendizado profundo tem ganhado destaque em diferentes domínios de aplicação, mas no contexto de inspeção radiográfica de tubulações petrolíferas seu uso é recente. Este trabalho propõe um conjunto de métodos baseados em redes convolucionais profundas para o suporte à atividade de inspeção radiográfica de juntas soldadas em tubulações de petróleo. As abordagens propostas nesta pesquisa atuam na identificação automática de defeitos de soldagem que podem comprometer a estrutura de instalações e equipamentos em análise. Para tanto, o problema é tratado considerando-se duas fases: (i) detecção da junta soldada e (ii) segmentação semântica dos defeitos de soldagem. A detecção da junta soldada, cuja metodologia representa uma das principais inovações alcançadas no trabalho, identifica e classifica regiões sobre radiografias com exposição Parede Dupla Vista Dupla de juntas soldadas de tubulações de petróleo. A segmentação semântica dos defeitos, por outro lado, localiza os defeitos na junta soldada em nível de pixel, a partir de amostras extraídas por meio de janelas deslizantes, para investigar um método de segmentação de inferência composta proposto neste trabalho. Vale destacar os desafios impostos pela base de dados real considerada, tendo em vista a falta de contraste e alto nível de ruído presentes na maioria das imagens. As principais contribuições alcançadas nesta tese consistem na análise da robustez de diferentes arquiteturas convolucionais profundas aos ruídos branco e impulsivo na inspeção radiográfica e na proposta de mecanismos inovadores na composição de inferências para localizar os defeitos de soldagem pixel a pixel. Considerando os diferentes grupos de teste, as melhores configurações resultaram em um F-score médio de 96% na detecção de juntas soldadas. Já na detecção de defeitos de soldagem, o F-score médio foi de 57% na segmentação semântica, ou seja, no nível de pixels, e 79% em tarefas de detecção, ou seja, no nível de objetos (defeitos). | - |
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 | Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Testes não-destrutivos | - |
Palavras-chave: dc.subject | Solda e soldagem | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Aprendizado de Máquina | - |
Palavras-chave: dc.subject | Visão Computacional | - |
Palavras-chave: dc.subject | Radiografia | - |
Palavras-chave: dc.subject | Juntas (Engenharia) | - |
Palavras-chave: dc.subject | Processamento de imagens | - |
Palavras-chave: dc.subject | Tubulação | - |
Palavras-chave: dc.subject | Soldagem | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Non-destructive testing | - |
Palavras-chave: dc.subject | Solder and soldering | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Machine Learning | - |
Palavras-chave: dc.subject | Computer vision | - |
Palavras-chave: dc.subject | Radiography | - |
Palavras-chave: dc.subject | Joints (Engineering) | - |
Palavras-chave: dc.subject | Image processing | - |
Palavras-chave: dc.subject | Piping | - |
Palavras-chave: dc.subject | Welding | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Palavras-chave: dc.subject | Engenharia Elétrica | - |
Título: dc.title | Redes neurais convolucionais profundas aplicadas na inspeção radiográfica de juntas soldadas | - |
Título: dc.title | Deep convolutional neural networks applied on radiographic inspection of welded joints | - |
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: