Please use this identifier to cite or link to this item: http://hdl.handle.net/10773/37049
Title: Deteção de defeitos em superfícies pintadas
Other Titles: Defect detection on painted surfaces
Author: Pereira, Miguel da Costa
Advisor: Santos, José Paulo Oliveira
Lau, Nuno
Keywords: Visão por computador
Controlo de qualidade
Machine learning
Superfícies pintadas
Deflectometria
Classificação de defeitos
Nexeed MES
Defense Date: 7-Dec-2022
Abstract: Com o aumento exponencial da competitividade na indústria atual, a contínua procura pela automação e digitalização é um processo indispensável para o aumento da qualidade. Nos dias que correm, e na grande maioria dos casos, a inspeção de qualidade de superfícies pintadas é feita com recurso à visão humana. Dado que as características dos defeitos em superfícies pintadas são muito diversas e aleatórias, a visão humana consegue ainda ser superior na relação qualidade/preço na maioria dos processos da indústria atual. Contudo esta inspeção visual passa normalmente, sobretudo em grandes objetos, pela necessidade do operador se colocar em posições pouco ergonómicas e desconfortáveis por grandes quantidades de tempo. Por outro lado, a inspeção de defeitos automática traduz-se na eliminação da variação nos critérios de inspeção que está inerente à natureza humana. A Bosch Termotecnologia produz esquentadores e caldeiras cujas frentes são pintadas e, para melhorar a precisão e rigor na inspeção de qualidade das mesmas, pretende-se desenvolver um sistema automático de deteção dos defeitos de forma a aumentar o rigor e a consistência da inspeção, eliminando assim o erro humano do sistema e diminuindo os tempos de análise. Deste modo, neste projeto foi usada a técnica de deflectometria, que consiste em projetar padrões sinusoidais nas superfícies e capturar o seu reflexo para posteriormente ser analisado. Desta forma foi possível criar um dataset de imagens relativo a cada defeito. Assim, o sistema usou uma camara de visão industrial que fazia a captura continua das imagens para serem analisadas com base num modelo criado com recurso a Deep Learning. O resultado da sua classificação é enviado para o Nexeed MES e além disso é possível a visualização em tempo real das classificações através de uma GUI. O modelo final apresentou precisões acima dos 95% nos subsets de teste e demora menos de um segundo a realizar a classificação e enviar a informação para o MES.
With the exponential increase in competitiveness in today’s industry, the continuous search for automation and digitalization is an indispensable process for increasing quality. Nowadays, in the vast majority of cases, quality inspection of painted surfaces is done using human vision. Given that the characteristics of defects on painted surfaces are very diverse and random, human vision can still be superior in the quality/price ratio in most processes in industry today. However this visual inspection usually involves, especially with large objects, the need for the operator to stand in unergonomic and uncomfortable positions for large amounts of time. On the other hand, automatic defect inspection means eliminating the variation in inspection criteria that is inherent to human nature. Bosch Termotecnologia produces water heaters and boilers whose fronts are painted and, to improve the accuracy and rigor in the quality inspection of them, it is intended to develop an automatic system for defect detection in order to increase the accuracy and consistency of inspection, thus eliminating human error from the system and reducing analysis times. Therefore, in this project the deflectometry technique was used, which consists in projecting sinusoidal patterns on surfaces and capturing their reflection to be later analyzed. This way it was possible to create a dataset of images relative to each defect. Thus, the system used an industrial vision camera that continuously captured the images to be analyzed based on a model created using Deep Learning. The result of its classification is sent to Nexeed MES and in addition it is possible to visualize in real time the classifications through a GUI. The final model showed accuracies above 95% on the test subsets and takes less than a second to perform the classification and send the information to the MES.
URI: http://hdl.handle.net/10773/37049
Appears in Collections:UA - Dissertações de mestrado
DEM - Dissertações de mestrado

Files in This Item:
File Description SizeFormat 
Documento_Miguel_Pereira.pdf8.34 MBAdobe PDFView/Open


FacebookTwitterLinkedIn
Formato BibTex MendeleyEndnote Degois 

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.