Estudo de modelos de Machine Learning para detecção de defeitos superficiais em placas de aço (2020)
- Authors:
- Autor USP: CORTEZ JUNIOR, CARLOS ALBERTO - EEL
- Unidade: EEL
- Assunto: INTELIGÊNCIA ARTIFICIAL
- Keywords: Aprendizado de Máquina; Defeitos Superficiais; Placas de Aço.
- Language: Português
- Abstract: Nas indústrias siderúrgicas e metalúrgicas no geral, um dos grandes desafios enfrentados é a detecção de defeitos nas peças produzidas com intuito de se prevenir erros de fornecimento e, assim, garantir a qualidade do produto, a segurança e a satisfação do cliente. Em se falando de placas de aço, expressiva parte das oportunidades de melhoria se encontram nos defeitos superficiais, dentre os quais se destacam: fissuras, inclusões, manchas, pites, carepas incrustadas e riscos. Nessa perspectiva, estabelecer mecanismos precisos e eficientes para detecção desses tipos de defeitos é uma excelente oportunidade de melhoria, podendo atuar como espécies de barreiras nas linhas de inspeção, impedindo que eventuais falhas humanas passem despercebidas e prejudiquem a qualidade do produto final. Desta forma, emerge o Machine Learning como alternativa para a identificação desses tipos de defeitos, caracterizando os tipos de problemas encontrados nas placas de aço por meio de treinamentos efetuados sobre um conjunto de metalografias. Neste trabalho, as imagens pré-categorizadas foram extraídas do banco de dados da NEU (Northeastern University) e, então, foram empregados métodos diretos e indiretos de aprendizado supervisionado para predizer os tipos de defeito encontrados em um conjunto de testes, com o qual o modelo não tem contato prévio. Nos métodos indiretos, o treinamento foi realizado sobre as características de textura da imagem e os modelos empregados foram: K Vizinhos mais Próximos, Máquinas de Vetores de Suporte, Árvores de Decisão, Florestas Aleatórias, AdaBoost e Gradient Boosting. Já no método direto, foram empregadas as redes neurais convolucionais. Em todos os modelos, os melhores hiperparâmetros foram obtidos via validação cruzada e o modelo que apresentou a melhor acurácia foram as Máquinas de Vetores de Suporte, com 95,83% de acurácia nos dados de teste.
- Imprenta:
-
ABNT
CORTEZ JÚNIOR, Carlos Alberto. Estudo de modelos de Machine Learning para detecção de defeitos superficiais em placas de aço. 2020. Trabalho de Conclusão de Curso (Graduação) – EEL, Lorena, 2020. Disponível em: https://bdta.abcd.usp.br/directbitstream/bb8db0c7-1349-4fd5-b817-8503db1d5cb2/EF20014%20CARLOS%20CORTEZ.pdf. Acesso em: 16 mar. 2025. -
APA
Cortez Júnior, C. A. (2020). Estudo de modelos de Machine Learning para detecção de defeitos superficiais em placas de aço (Trabalho de Conclusão de Curso (Graduação). EEL, Lorena. Recuperado de https://bdta.abcd.usp.br/directbitstream/bb8db0c7-1349-4fd5-b817-8503db1d5cb2/EF20014%20CARLOS%20CORTEZ.pdf -
NLM
Cortez Júnior CA. Estudo de modelos de Machine Learning para detecção de defeitos superficiais em placas de aço [Internet]. 2020 ;[citado 2025 mar. 16 ] Available from: https://bdta.abcd.usp.br/directbitstream/bb8db0c7-1349-4fd5-b817-8503db1d5cb2/EF20014%20CARLOS%20CORTEZ.pdf -
Vancouver
Cortez Júnior CA. Estudo de modelos de Machine Learning para detecção de defeitos superficiais em placas de aço [Internet]. 2020 ;[citado 2025 mar. 16 ] Available from: https://bdta.abcd.usp.br/directbitstream/bb8db0c7-1349-4fd5-b817-8503db1d5cb2/EF20014%20CARLOS%20CORTEZ.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
EF20014 CARLOS CORTEZ.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
