Sistema imunológico artificial com aprendizagem profunda para detectar defeitos de solda em imagens radiográficas PDVD de tubulações de petróleo

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Fioravanti, Celia Cristina Bojarczuk lattes
Orientador(a): Centeno, Tania Mezzadri lattes
Banca de defesa: Almeida, Carolina Paula de lattes, Fabro, João Alberto lattes, Nievola, Julio Cesar lattes, Silva, Ricardo Dutra da lattes, Centeno, Tania Mezzadri lattes
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Tecnológica Federal do Paraná
Curitiba
Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/5023
Resumo: Nos últimos anos, pesquisas voltadas para métodos de inspeção radiográfica (semiautomáticas) ganharam mais atenção. O presente trabalho propõe um método para detectar defeitos em imagens radiográficas de juntas soldadas de tubulações de petróleo. Imagens em condições reais obtidas pela técnica de parede dupla vista dupla (PDVD) geralmente apresentam uma qualidade inferior quando comparadas às imagens tradicionalmente consideradas em muitos estudos relatados na literatura. Primeiro, a abordagem proposta detecta descontinuidades em imagens radiográficas PDVD de juntas soldadas e, em seguida, com base em um paradigma híbrido que abrange sistemas imunes artificiais (SIA) e aprendizado profundo (deep learning – DL), classifica cada descontinuidade como ‘defeito’ e ‘não defeito’. O método proposto realiza duas fases no módulo SIA: eliminação inicial (com base na seleção negativa) e classificação evolutiva (com base na seleção clonal). Em ambas as fases, a tarefa de reconhecimento de padrões é realizada usando um conjunto de características extraídas de cada descontinuidade por meio de um detector geneticamente codificado nas células imunológicas. Na tentativa de melhorar o desempenho da classificação, modelos DL, do inglês Deep Learning, os quais envolvem o uso da AlexNet e autoencoders são incorporados com o objetivo de aumentar o número de características extraídas. As experiências realizadas em um conjunto de 727 descontinuidades mostram que a abordagem proposta alcança um F-score de 70,7%, superando cada um de seus módulos sendo executados isoladamente: AlexNet com F-score = 64,86% e SIA com F-score = 66%. Os experimentos mostram ainda que o modelo proposto é capaz de superar classificadores tradicionais como o SVM, cuja melhor configuração alcançou taxas de F-score em torno de 60%. Considerando os desafios impostos pelas condições reais na aquisição de imagens e as baixas taxas de falsos negativos, os resultados mostram que a abordagem proposta pode ser usada para auxiliar os especialistas em seus trabalhos de inspeção ao lidar com imagens PDVD.