Aprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPacheco, César Cunha-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4977724521165246-
Autor(es): dc.contributorTavares, Sérgio Souto Maior-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4320367144812616-
Autor(es): dc.contributorNunes, Luiz Carlos da Silva-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9739401521810655-
Autor(es): dc.creatorGarcia, Gabriel Pereira-
Data de aceite: dc.date.accessioned2025-01-03T11:43:27Z-
Data de disponibilização: dc.date.available2025-01-03T11:43:27Z-
Data de envio: dc.date.issued2024-08-26-
Data de envio: dc.date.issued2024-08-26-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/34432-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/920516-
Descrição: dc.descriptionDefeitos superficiais têm sido historicamente um grande problema na indústria de produção de aço, uma vez que não apenas afetam seu valor de mercado, mas, também, podem comprometer sua resistência. Por este motivo, formas de se detectar estes defeitos da forma mais efetiva possível foram exploradas ao longo dos anos. Com a evolução da capacidade computacional, métodos para a detecção de defeitos foram elaborados usando a visão computacional. Nos últimos anos, houve uma evolução significativa no campo do aprendizado de máquina, possibilitando a elaboração de modelos cada vez mais precisos e eficientes. Este trabalho tem como objetivo a avaliar a performance do modelo YOLOv8, realizando um comparativo com resultados obtidos em trabalhos anteriores, a fim de validar a evolução dos modelos disponíveis atualmente. Para isso, são utilizadas bases de dados com imagens retiradas de linhas de produção de chapas metálicas, com informações a respeito do tipo de defeito e de suas respectivas localizações. Assim, o modelo será treinado com esses dados, e sua performance será avaliada para verificar se os resultados para as bases de defeitos superficiais são compatíveis com aqueles obtidos nos testes realizados pelos autores do modelo, que utilizam bases padrão, como MS COCO e ImageNet, para mensurar o desempenho-
Descrição: dc.descriptionSurface defects have historically been a major problem in the steel manufacturing industry, as they not only affect its market value, but can also compromise its resistance. Therefore, ways to detect these defects in the most effective way possible have been explored over the years. With the evolution of computational capacity, methods for detecting defects have been developed using computational vision. In recent years, there has been a significant evolution in the field of machine learning, enabling the creation of increasingly accurate and efficient models. This research aims to evaluate the performance of the YOLOv8 model, making a comparison with results obtained in previous works, in order to validate the evolution of currently available models. For such, this work uses databases with images taken from metal sheets production lines, with information regarding the type of defect and their respective locations. Thus, the model will be trained with these data, and its performance will be evaluated to verify if the results for the databases surface defects are compatible with those obtained in tests carried out by the model’s authors, which use standard databases, such as MS COCO and ImageNet, to measure the performance-
Descrição: dc.description91 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectVisão computacional-
Palavras-chave: dc.subjectDefeitos superficiais-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectSuperfície metálica-
Palavras-chave: dc.subjectDefeitos-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectComputer vision-
Palavras-chave: dc.subjectDefects-
Título: dc.titleAprendizado de máquina aplicado a detecção de defeitos em superfícies metálicas-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.