An application of generative adversarial networks to improve automatic inspection in automotive assembly lines

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorTeixeira, Marcelo-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1008-7838-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8925349327322997-
Autor(es): dc.contributorCasanova, Dalcimar-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1905-4602-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4155115530052195-
Autor(es): dc.contributorCasanova, Dalcimar-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1905-4602-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4155115530052195-
Autor(es): dc.contributorGuarneri, Giovanni Alfredo-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-2269-2522-
Autor(es): dc.contributorhttp://lattes.cnpq.br/7436484622054922-
Autor(es): dc.contributorTeixeira, Marcelo-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1008-7838-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8925349327322997-
Autor(es): dc.contributorLopes, Yuri Kaszubowski-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-4627-5590-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6645986822120975-
Autor(es): dc.creatorMumbelli, Joceleide Dalla Costa-
Data de aceite: dc.date.accessioned2022-08-04T20:19:48Z-
Data de disponibilização: dc.date.available2022-08-04T20:19:48Z-
Data de envio: dc.date.issued2022-05-06-
Data de envio: dc.date.issued2022-05-06-
Data de envio: dc.date.issued2022-03-14-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/28292-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/706811-
Descrição: dc.descriptionIn manufacturing systems, quality inspection is a critical issue. This can be performed by humans,or by means of Computer Vision Systems ( CVS), which are trained using representative sets of images, modeling classes of defects that may possibly occur. In practice, the construction of such datasets strongly limits the use of most CVS methods, as the variety of defects is of combinatorial nature. Alternatively, instead of recognizing defects, a system can be trained to detect non-defective cases, becoming appropriate for some application profiles. In flexible automotive manufacturing, for example, parts are assembled within a reduced set of correct combinations, while the number of possible incorrect assembling is enormous. In this paper, we show how a CVS can be extended with a Deep Learning-based approach that exploits a Generative Adversarial Network ( GAN) to detect non-defective production eliminating the need for constructing expensive defect image datasets. The proposal is tested over the assembly line of Renault, in Brazil. Results show that our approach has better accuracy in inspection, compared with the currently used CVS. We also show that the same method can be used in different components inspection, without any modification.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionEm sistemas de manufatura, a inspeção de qualidade é uma questão crítica. Isso pode ser feito por humanos, ou por meio de Sistemas de Visão Computacional (CVS), que são treinados usando conjuntos representativos de imagens, modelando classes de defeitos que eventualmente possam ocorrer. Na prática, a construção de tais conjuntos de dados limita fortemente o uso da maioria dos métodos CVS, pois a variedade de defeitos é de natureza combinatória. Alternativamente, ao invés de reconhecer defeitos, um sistema pode ser treinado para detectar casos não defeituosos, tornando-se apropriado para alguns perfis de aplicação. Na fabricação automotiva flexível, por exemplo, as peças são montadas dentro de um conjunto reduzido de combinações corretas, enquanto o número de possíveis montagens incorretas é enorme. Neste artigo, mostramos como um CVS pode ser estendido com uma abordagem baseada em Deep Learning que explora uma Generative Adversarial Network ( GAN) para detectar produção não defeituosa, eliminando a necessidade de construir conjuntos de dados de imagem de defeito. A proposta é testada na linha de montagem da Renault, no Brasil. Os resultados mostram que nossa abordagem melhor precisão na inspeção, em comparação com o CVS atualmente usado. Mostramos também que o mesmo método pode ser utilizado em diferentes inspeções de componentes, sem nenhuma modificação.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Idioma: dc.languageen-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPato Branco-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Elétrica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttps://creativecommons.org/licenses/by-nc/4.0/-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectEstratégias de aprendizagem-
Palavras-chave: dc.subjectIndústria automobilística-
Palavras-chave: dc.subjectVisão por computador-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectLearning strategies-
Palavras-chave: dc.subjectIndústria automobilística-
Palavras-chave: dc.subjectComputer vision-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Palavras-chave: dc.subjectEngenharia/Tecnologia/Gestão-
Título: dc.titleAn application of generative adversarial networks to improve automatic inspection in automotive assembly lines-
Título: dc.titleAplicação de redes adversariais generativas para melhorar a inspeção automática em linhas de montagem automotiva-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.