Implementação de um framework de visão computacional para inspeção de qualidade no assoalho de automóveis
Carregando...
Data
2023-12-15
Autores
Sakuma, Decio Tomio [UNIFESP]
Orientadores
Coelho, Regina Celia [UNIFESP]
Tipo
Dissertação de mestrado profissional
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Inspeção de Qualidade é um tema de interesse no meio industrial. O processo de inspeção para detecção de defeitos na linha de produção é essencial para o controle da qualidade do produto final, sendo alocado estrategicamente em diversos setores da Fábrica para garantir os requisitos de qualidade do produto e satisfação do cliente. Os operadores de inspeção, mesmo que sejam bem treinados, não evitam que os defeitos sigam adiante na linha de produção. Dentro deste contexto, este trabalho visa a implementação de um framework de visão computacional para inspeção automática de qualidade no assoalho de automóveis. O trabalho inicia-se com uma revisão de literatura avaliando sistemas de visão computacional comumente aplicadas para detecção de defeitos de qualidade na indústria automotiva. Em seguida, avaliamos uma estrutura apropriada para instalação de hardware para aquisição e pré-processamento de imagens. O próximo passo foi analisar as arquiteturas de deep learnings usando dados sintéticos e dados reais extraídos do sistema de aquisição montados na linha de produção. A eficiência do framework de visão computacional está baseada na comparação do método de inspeção manual com o método de inspeção automática. Os resultados demonstram que a metodologia aplicada para validação deste framework para inspeção de peças no assoalho dos automóveis são consistentes e eficazes para uma verificação automática. Isto pode ser comprovado considerando que o modelo de Inteligência Artificial usado obteve acurácia superior à 95% e nos testes realizados na linha de produção alcançou uma eficácia de 100%, enquanto que no método manual o resultado foi de 74%.
Quality Inspection is a topic of interest in the industrial environment. The inspection process for detecting defects in the production pipeline is essential to control the quality of the finished product, being strategically allocated in diversified manufacturing sectors to ensure the product´s quality requirements and customer satisfaction. Inspection operators, even well-trained, do not prevent defects in the production pipeline. In this context, this paper aims to implement a computer vision framework for quality inspection in vehicle underbody. The work begins with a literature review evaluating vision systems commonly applied to detect quality defects in the automotive industry. After that, we assessed an appropriate structure for installing hardware for image acquisition and pre-processing. The next step was to analyze deep learning architectures using synthetic and real data extracted from the acquisition system assembled on the production line. The efficiency of the computer vision framework is based on comparing the automatic and manual inspection methods. The results show that the methodology applied to validate this framework for inspecting of parts in the vehicle´s underbody is consistent and effective for automatic checks. This fact can be proven considering that the Artificial Intelligence model used obtained accuracy greater than 95%, and in the tests carried out on the production line, it attained an efficiency of 100%, while manual method, the result was 74%.
Quality Inspection is a topic of interest in the industrial environment. The inspection process for detecting defects in the production pipeline is essential to control the quality of the finished product, being strategically allocated in diversified manufacturing sectors to ensure the product´s quality requirements and customer satisfaction. Inspection operators, even well-trained, do not prevent defects in the production pipeline. In this context, this paper aims to implement a computer vision framework for quality inspection in vehicle underbody. The work begins with a literature review evaluating vision systems commonly applied to detect quality defects in the automotive industry. After that, we assessed an appropriate structure for installing hardware for image acquisition and pre-processing. The next step was to analyze deep learning architectures using synthetic and real data extracted from the acquisition system assembled on the production line. The efficiency of the computer vision framework is based on comparing the automatic and manual inspection methods. The results show that the methodology applied to validate this framework for inspecting of parts in the vehicle´s underbody is consistent and effective for automatic checks. This fact can be proven considering that the Artificial Intelligence model used obtained accuracy greater than 95%, and in the tests carried out on the production line, it attained an efficiency of 100%, while manual method, the result was 74%.