Detecção ao inteligente de defeitos para indústria 4.0: um estudo de caso com modelos Single-Shot YOLO
| dc.contributor.advisor | Elloá Barreto Guedes da Costa | |
| dc.contributor.advisor-lattes | http://lattes.cnpq.br/6466781778573760 | |
| dc.contributor.author | Teodoro, Giovanna Souza | |
| dc.contributor.author-lattes | http://lattes.cnpq.br/2876600612134507 | |
| dc.contributor.referee1 | Cruz Neto, Rubelmar Maia de Azevedo | |
| dc.contributor.referee2 | Figueiredo, Carlos Mauricio Serodio | |
| dc.date.accessioned | 2025-05-12T15:22:29Z | |
| dc.date.issued | 2024-11-18 | |
| dc.description.abstract | This works aims at detecting ball screw driver deffects as a Computer Vision task based on Deep Learning single-shot YOLO models. Computational experiments using a realistic dataset were performed and their results altogether with statistical tests enlisted YOLOv5 Nano as best suited for this purpose, with an average mAP@0.5 of 93.27 and with improvements of 97.84 on speed and on 95.68 less parameters than a related work counterpart. The proposed solution is recommended for embedded devices and favors equipment monitoring for Industry 4.0, also suggesting improvements in state of art in terms of efficiency of deffects detection. Keywords: Deep Learning; Computer Vision; Industry 4.0; Object Detection; Fault Tolerant Systems. | |
| dc.description.resumo | Este trabalho considera a detecção de defeitos em fusos de esfera como uma tarefa de Visão Computação abordada com modelos de Deep Learning do tipo single-shot da Família YOLO (acrônimo para You Only Look Once). Para tanto, foram conduzidos experimentos computacionais a partir de uma base de dados realística cujos resultados, após análise com testes estatísticos, permitiram elencar o modelo YOLOv5 Nano como solução de referência, com mAP@0.5 médio de 93.27 e mostrando-se mais de 97.84 mais rápida e com 95.68 menos parâmetros que uma contrapartida da literatura. Essa solução é recomendada para dispositivos embarcados e colabora com o monitoramento de equipamentos na Indústria 4.0, sugerindo avanço no estado da arte em termos de eficiência na detecção de defeitos. Palavras-chaves: Aprendizado Profundo; Visão Computacional; Indústria 4.0; Detecção de Objetos; Sistemas Tolerantes a Falhas. | |
| dc.identifier.citation | EODORO, Giovanna de Souza. Detecção Inteligente de Defeitos para Indústria 4.0: Um Estudo de Caso com Modelos Single-Shot YOLO. 2023. Digital. TCC (Graduação em Engenharia da Computação ) - Universidade do Estado do Amazonas, Manaus, 2023. - ( Monografias (Graduação). | |
| dc.identifier.uri | https://ri.uea.edu.br/handle/riuea/7566 | |
| dc.language.iso | pt | |
| dc.publisher | Universidade do Estado do Amazonas | |
| dc.publisher.initials | UEA | |
| dc.relation.references | Abdullah, S., AL-Nuaimi, B., and Abed, H. (2022). A Survey of Deep Learning-Based Object Detection: Ap plication and Open Issues. International Journal of Nonlinear Analysis and Applications, 13(2), 1495–1504. Allen, J., Postlethwaite, S., and Ford, D. (1970). Practical Application of Thermal Error Correction – 4 Case Studies. WIT Transactions on Engineering Sciences, 16. Bochkovskiy, A., Wang, C.Y., and Liao, H.Y.M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. Disponível em https://arxiv.org/abs/2004. 10934. Acesso em 17 de agosto de 2023. Borgi, T., Hidri, A., Neef, B., and Naceur, M.S. (2017). Data Analytics for Predictive Maintenance of Industrial Robots. In 2017 International Conference on Advanced Systems and Electric Technologies (IC ASET). IEEE, Tunísia. Diwan, T., Anirudh, G., and Tembhurne, J.V. (2023). Object Detection Using YOLO: Challenges, Architectural Successors, Datasets and Applications. Multimed. Tools Appl., 82(6), 9243–9275. Dunn, O.J. (1964). Multiple Comparisons using Rank Sums. Technometrics, 6(3), 241–252. Fleischer, J., Broos, A., Schopp, M., Wieser, J., and Henn rich, H. (2009). Lifecycle-Oriented Component Selection for Machine Tools Based on Multibody Simulation and Component Life Prediction. CIRP J. Manuf. Sci. Tech nol., 1(3), 179–184. Huang, Y.C., Kao, C.H., and Chen, S.J. (2018). Diagnosis of the Hollow Ball Screw Preload Classification using Machine Learning. Appl. Sci. (Basel), 8(7), 1072. Jocher, G., Chaurasia, A., and Qiu, J. (2023). YOLOv8 by Ultralytics. Dispon´ıvel em https://github.com/ ultralytics/ultralytics. Acesso em 17 de agosto de 2023. Jocher, G., Stoken, A., Borovec, J., NanoCode012, ChristopherSTAN, Changyu, L., Laughing, tkianai, Hogan, A., lorenzomammana, yxNONG, AlexWang1900, Diaconu, L., Marc, wanghaoyang0106, ml5ah, Doug, Ingham, F., Frederik, Guilhen, Hatovix, Poznanski, J., Fang, J., Yu, L., changyu98, Wang, M., Gupta, N., Akhtar, O., PetrDvoracek, and Rai, P. (2022). ultralytics/yolov5: v7.0 - YOLOv5 SOTA Realtime Instance Segmentation. Disponível em http://dx.doi.org/10. 5281/ZENODO.7347926. Acesso em 17 de agosto de 2023. Lee, W.G., Lee, J.W., Hong, M.S., Nam, S.H., Jeon, Y., and Lee, M.G. (2015). Failure Diagnosis System for a Ball-Screw by using Vibration Signals. Shock Vib., 2015, 1–9. Lin, T.Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Doll´ar, P., and Zitnick, C.L. (2014). Microsoft COCO: Common Objects in Context. In Proceedings of the 13th European Conference on Computer Vision (ECVV 2014), 740–755. Springer, Su´ı¸ca. Loureiro, A.A., Nogueira, J.M.S., Ruiz, L.B., Mini, R.A.d.F., Nakamura, E.F., and Figueiredo, C.M.S. (2003). Redes de Sensores Sem Fio. In Simpósio Brasileiro de Redes de Computadores (SBRC), 179–226. Editora da UFRN, Natal, Rio Grande do Norte. Michelucci, U. (2019). Advanced Applied Deep Learning: Convolutional Neural Networks and Object Detection. Apress, Su´ı¸ca. Nayyar, A. and Kumar, A. (2019). A Roadmap to Industry 4.0: Smart Production, Sharp Business and Sustainable Development. Advances in Science, Technology & Inno vation. Springer, Suíça, 1 edition. Padilla, R., Netto, S.L., and da Silva, E.A.B. (2020). A Survey on Performance Metrics for Object-Detection Algorithms. In 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), 237–242. Niter´oi, Brasil. doi:10.1109/IWSSIP48289.2020.9145130. Patel, A.R., Ramaiya, K.K., Bhatia, C.V., Shah, H.N., and Bhavsar, S.N. (2021). Artificial Intelligence: Prospect in Mechanical Engineering Field – A Review. In Lecture Notes on Data Engineering and Communications Technologies, 267–282. Springer Singapore, Singapore. Ramesh, R., Mannan, M.A., and Poo, A.N. (2000). Error Compensation in Machine Tools – A Review: Part II: Thermal Errors. Int. J. Mach. Tools Manuf., 40(9), 1257–1284. Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, Las Vegas, Estados Unidos. Santos, M., Manhães, A.M., and Lima, A.R. (2018). Indústria 4.0: Desafios e Oportunidades para o Brasil. In Anais do X Simpósio de Engenharia de Produção de Sergipe, 317–329. Departamento de Engenharia de Produção – Universidade Federal de Sergipe, Sergipe. Disponível em https://ri.ufs.br/bitstream/riufs/ 10423/2/Industria_4_0.pdf. Acesso em 17 de agosto de 2023. Schlagenhauf, T. and Landwehr, M. (2021). Industrial Machine Tool Component Surface Defect Dataset. Data Brief, 39(107643), 107643. Schlagenhauf, T., Landwehr, M., and Fleischer, J. (2021). Industrial Machine Tool Element Surface Defect Dataset. Dispon´ıvel em https://doi.org/10.5445/IR/ 1000129520. Acesso em 17 de agosto de 2023. Skilton, M. and Hovsepian, F. (2017). The 4th Industrial Revolution – Responding to the Impact of Artificial Intelligence on Business. Springer International Publishing, Suíça, 1 edition. Sumit, S.S., Watada, J., Roy, A., and Rambli, D. (2020). In Object Detection Deep Learning Methods, YOLO Shows Supremum to Mask R-CNN. Journal of Physics: Conference Series, 1529(4), 042086. Tasneem, M.H.B. and Amer, G.T. (2019). Design, Fabri cation and Testing of a 3D Printer. In Proceedings of the International Conference on Industrial Engineering and Operations Management, 2334–2344. Pilsen, Czech Republic. Walpole, R.E., Myers, R.H., Myers, S.L., and Ye, K.E. (2016). Probability & Statistics for Engineers & Scien tists. Pearson, Estados Unidos, 9 edition. Wang, C.Y., Bochkovskiy, A., and Liao, H.Y.M. (2022). YOLOv7: Trainable Bag-of-Freebies Sets New State-ofthe-Art for Real-Time Object Detectors. Disponível em https://arxiv.org/abs/2207.02696. Acesso em 17 de agosto de 2023. Zhang, L., Gao, H., Wen, J., Li, S., and Liu, Q. (2017). A Deep Learning-Based Recognition Method for Degradation Monitoring of Ball Screw with Multi-Sensor Data Fusion. Microelectronics Reliability, 75, 215–222. | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.subject | Aprendizado Profundo | |
| dc.subject | Visão Computacional | |
| dc.subject | Indústria 4.0 | |
| dc.subject | Detecção de Objetos | |
| dc.subject | Sistemas Tolerantes a Falhas | |
| dc.title | Detecção ao inteligente de defeitos para indústria 4.0: um estudo de caso com modelos Single-Shot YOLO | |
| dc.title.alternative | Intelligent defect detection for Industry 4.0: a case study with Single-Shot YOLO models. | |
| dc.type | Trabalho de Conclusão de Curso |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Deteccao_Inteligente_de_ Defeitos_para_Industria 4.0.pdf
- Tamanho:
- 2.15 MB
- Formato:
- Adobe Portable Document Format