Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/85088
Título: | Modelação matemática para a inspeção de materiais naturais - caso de estudo pele natural |
Autor(es): | Silva, Vítor Hugo Gonçalves |
Orientador(es): | Patrício, Pedro Ferreira, Manuel João Oliveira |
Palavras-chave: | Visão por computador Deteção de objetos Deep learning YOLO Pele natural Computer vision Object detection Natural leather |
Data: | 11-Jan-2023 |
Resumo(s): | Este documento é uma Dissertação de Mestrado e insere-se no segundo ano do Mestrado em Matemática e
Computação da Universidade do Minho.
A tese aqui descrita tem como tema ”Modelação matemática para a inspeção de materiais naturais - caso de
estudo pele natural” e foi realizada em ambiente empresarial na empresa Neadvance - Machine Vision S.A. e está
inserida no âmbito do projeto PT2020 IntVIS4Insp entre a Neadvance e a Universidade do Minho.
A pele natural é um material produzido através da pele de animal e tratado com produtos químicos para a
preservar. É utilizada na produção de roupa, bolsas, móveis, estofos de automóvel, calçado, entre outros. Devido
à sua importância na indústria, é vital garantir a sua qualidade.
O processo de inspeção tradicional depende de um especialista humano, é um processo caro, demorado e,
por vezes, subjetivo.
A inspeção automática tornou-se uma parte essencial de qualquer sistema de produção uma vez que é o meio
de rejeitar não conformidades, garantir a qualidade do produto, reduzir os custos operacionais e reduzir os tempos
de ciclos de produção.
No presente tema pretende-se estudar uma abordagem de modelação matemática, recorrendo a algoritmos de
visão por computador e de inteligência artificial, para a área de inspeção automática de materiais naturais - caso
de estudo pele natural.
De forma a obter os melhores resultados na tarefa de deteção de defeitos, o algoritmo YOLO foi o escolhido.
Mais especificamente, foi realizada uma comparação dos modelos small, medium, large e extra-large da YOLOv5
na deteção de defeitos de pele. Foi utilizado o MVTEC AD dataset para a recolha de imagens de pele com e sem
defeitos.
Depois de realizado o treino, os modelos foram analisados e comparados através de algumas métricas de
desempenho tais como a precisão, o recall, mAP@0.5 e mAP@0.5:0.95. Todos os modelos mostraram grande
capacidade de deteção de defeitos no dataset utilizado. This document is a Master’s Thesis and is part of the second year of the Master’s in Mathematics and Computing at the University of Minho. The thesis described here has as it’s theme ”Mathematical modeling for the inspection of natural materials - a case study of natural leather” and was carried out in a business environment at the company Neadvance - Machine Vision S.A. and is part of the PT2020 IntVIS4Insp project between Neadvance and the University of Minho. Natural leather is a material produced from animal skin and treated with chemical products to preserve it. It is used in the production of clothing, bags, furniture, car material, footwear, among other things. Due to its importance in the industry, it is vital to guarantee its quality. The traditional inspection process relies on a human expert, it is an expensive, time-consuming and sometimes subjective process. Automatic inspection has become an essential part of any production system as it rejects non-conformities, ensures product quality, reduces operating costs, and reduces production cycle times. In this thesis I intend to study a mathematical modeling approach, using computer vision and artificial intelligence algorithms, for the area of automatic inspection of natural materials - natural leather case study. In order to obtain the best results in the defect detection task, the YOLO algorithm was chosen. More specifically, a comparison of YOLOv5’s small, medium, large and extra-large models was performed in the detection of leather defects. The MVTEC AD dataset was used to collect images of leather with and without defects. After training, the models were analyzed and compared using some performance metrics such as precision, recall, mAP@0.5 and mAP@0.5:0.95. All models showed great ability to detect defects in the dataset used. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado em Matemática e Computação |
URI: | https://hdl.handle.net/1822/85088 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado DMAT - Dissertações de Mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Vitor Hugo Goncalves Silva.pdf | Dissertação de Mestrado | 31,55 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons