Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/85089
Título: | Extração de informação de vídeo e técnicas de redes neuronais para deteção de objectos no contexto da monitorização de espaços industriais |
Autor(es): | Silva, Diogo Vicente Magalhães Vilela |
Orientador(es): | Ferrás, Luís Jorge Lima Ferreira, Manuel João |
Palavras-chave: | Machine learning Deep learning Visão por computador Inteligência artificial Estimação de pose Redes neuronais artificiais Redes neuronais convolucionais Computer vision Artificial intelligence Pose estimation Artificial neural networks Convolutional neural networks |
Data: | 11-Jan-2023 |
Resumo(s): | O alicerce de qualquer indústria é o chão de fábrica. O chão de fábrica é um pátio ou um arma zém onde estão concentradas as linhas de produção compostas pelos funcionários e as máquinas
necessárias para produção. É onde a força laboral é combinada com a tecnologia das máquinas para
produzir os itens que consumimos e utilizamos no dia a dia.
Com a interdependência e variabilidade dos processos que ocorrem no chão de fábrica, surgem
vários cenários e problemas, capazes de interromper todo o processamento de uma empresa. Assim,
respeitar planos torna-se por vezes complicado, sendo que, quando o processamento de uma empresa
é interrompido, é crucial uma resposta de gestão rápida e eficiente. Esta gestão do chão de fábrica,
por norma, é feita por pessoas, tornando-a muito propensa ao erro humano, erro esse que é cada vez
mais provável com o aumento do tamanho do espaço a ser vigiado (chão de fábrica).
Com a Indústria 4.0 e o surgimento de novos algoritmos focados na deteção e reconhecimento
de objetos, tornou-se possível a aplicação deste tipo de modelos e algoritmos nas áreas da logística
para melhorar a eficiência do espaço fabril. Assim, nesta dissertação, foram estudados e avaliados
modelos para estimar a pose de indivíduos no chão de fábrica, com o objetivo de detetar possíveis
erros na produção.
Começou por se definir o esqueleto que se queria prever, estipulando assim os keypoints dese jados (locais do corpo que se pretende detetar). Foram avaliados 6 modelos diferentes de deteção e
comparados através de 4 métricas. Foram ainda observadas as confianças de previsão destes mo delos e o número de keypoints com uma certa confiança mínima. Os datasets utilizados foram
criados de raiz e são compostos por imagens de colaboradores da empresa Neadvance a trabalhar
na secretária e na montagem de peças numa porta.
Os resultados obtidos mostraram-se promissores, sendo possível determinar com alguma precisão
a pose dos funcionários no chão de fábrica. The foundation of any industry is the factory floor. The factory floor is a yard or warehouse where the production lines, consisting of the workers and the machinery necessary for production, are con centrated. This is where the labour force is combined with the machinery to produce the things we consume and use every day. Due to the interdependence and variability of processes, there are multiple scenarios and potential problems that can bring all of a company’s processes to a halt. As a result, adherence to plans occasionally becomes complicated and, in these cases, a quick and efficient management response is critical. Normally, this management is carried out by humans, which makes it highly susceptible to human error, which becomes more and more likely as the size of the space to be guarded increases. With Industry 4.0 and the emergence of new algorithms focused on object detection and recogni tion, it became possible to apply this type of models and algorithms in the fields of logistics to improve the efficiency of the factory space. Thus, in this work, models were studied and evaluated to estimate the pose of people in the factory floor. First, the skeleton to be predicted was defined by determining the desired keypoints. Six different models were evaluated and compared using four metrics. The pre diction confidence of these models and the number of keypoints with a certain minimum confidence were also taken into account. The datasets used were created from scratch and consist of images of Neadvance employees working at desks and assembling parts in a door. The results obtained were promising, since it was possible to determine with some accuracy the pose of the workers in the factory floor. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado em Matemática e Computação (especialização em Computação) |
URI: | https://hdl.handle.net/1822/85089 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado DMAT - Dissertações de Mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Diogo Vicente Magalhaes Vilela Silva.pdf | Dissertação de Mestrado | 8,49 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons