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 | Ando, José Kimio | - |
Autor(es): dc.contributor | Alcântara, Silvia dos Reis | - |
Autor(es): dc.contributor | Pereira, Valdecy | - |
Autor(es): dc.creator | Silva, Lucas Alvarez Massollar da | - |
Data de aceite: dc.date.accessioned | 2024-07-11T17:59:07Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T17:59:07Z | - |
Data de envio: dc.date.issued | 2022-08-03 | - |
Data de envio: dc.date.issued | 2022-08-03 | - |
Data de envio: dc.date.issued | 2021 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/25973 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/761380 | - |
Descrição: dc.description | Neste trabalho busca-se desenvolver uma rede neural convolucional para identificar defeitos em tecidos a partir de imagens digitalizadas. É apresentada a teoria de redes neurais, focando nas redes neurais convolucionais e sua aplicação em computação visual. Para criar e executar os códigos desta pesquisa são utilizados Python e Google Colaboratory. O desenvolvimento dos códigos é feito de forma progressiva. Inicialmente é implementada uma rede neural convolucional para tratar um problema bastante divulgado na comunidade de redes neurais: identificar números a partir de imagens de dígitos manuscritos. Aprimora-se este código para tratar outro problema também conhecido na comunidade: diferenciar imagens de cães e gatos. Em seguida, é feito um estudo de caso, aplicando-se o código desenvolvido para tentar identificar defeitos em tecidos a partir de um banco de dados de imagens digitalizadas composto por seis tramas diferentes de tecidos com e sem defeitos. São feitas tentativas de melhorar o desempenho da rede, implementando as seguintes modificações: aumento do número de epochs, aumento da quantidade de camadas, uso de Transfer Learning, alteração do préprocessamento de imagens e uso de data augmentation. Independente da modificação implantada, observa-se que o desempenho da rede variou conforme a trama do tecido. Concluise que, de maneira geral, o desempenho da rede neural melhora com a escolha adequada da técnica de pré-processamento das imagens. Além disso, o uso de data augmentation também é importante para aumentar a quantidade de dados na base, pois no caso estudado há um desbalanceamento entre as quantidades de imagens com e sem defeitos em cada trama. | - |
Descrição: dc.description | This work aims to develop a convolutional neural network to identify tissue defects from scanned images. The theory of neural networks is presented, focusing on convolutional neural networks and their application in computer vision. We adopt Python and Google Colaboratory to create and execute the scripts of this research. The scripts are developed progressively. Initially, it isimplemented a convolutional neural network to address a well-publicized problem in the neural network community: identifying numbers from handwritten digit images. This script is improved to address another issue known in the community as well: differentiating images of dogs and cats. Then, using the scripts developed previously, a case study is accomplished aiming at identifying defects in fabrics images. These images are extracted from a database of scanned images composed of six different weaves of fabrics with and without defects. Attempts are made to improve the performance of the neural network, through the following modifications: increasing the number of epochs, increasing the number of layers, using Transfer Learning, changing the pre-processing of images, and using data augmentation. Regardless of the modification implemented, it is observed that the performance of the net varied according to the weave of the fabric. It is concluded that, in general, the performance of the neural network improves with the appropriate choice of image pre-processing technique. In addition, it is observed that the use of data augmentation is also important to increase the amount of the learning base data, because in this particular case study there is an imbalance between the number of images with and without defects in each frame. | - |
Descrição: dc.description | 121 p. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Redes neurais convolucionais | - |
Palavras-chave: dc.subject | Detecção de defeitos | - |
Palavras-chave: dc.subject | Tecidos | - |
Palavras-chave: dc.subject | Python | - |
Palavras-chave: dc.subject | Google Colab | - |
Palavras-chave: dc.subject | Rede neural | - |
Palavras-chave: dc.subject | Python (Linguagem de programação de computador) | - |
Palavras-chave: dc.subject | Engenharia de produção | - |
Palavras-chave: dc.subject | Convolutional neural networks | - |
Palavras-chave: dc.subject | Defect detection | - |
Palavras-chave: dc.subject | Tissues | - |
Palavras-chave: dc.subject | Google Collab | - |
Título: dc.title | Redes neurais convolucionais com Python e Google Colab: estudo de caso de detecção de defeitos em tecidos | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: