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

• Ano de defesa: 2020
• Autor(a) principal: Fioravanti, Celia Cristina Bojarczuk
• Orientador(a): Centeno, Tania Mezzadri
• Banca de defesa: Almeida, Carolina Paula de , Fabro, João Alberto , Nievola, Julio Cesar , Silva, Ricardo Dutra da , Centeno, Tania Mezzadri
• 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
• País: Brasil
• Palavras-chave em Português: Diagnóstico radioscópico; Radiografia industrial; Radiografia médica; Radiografia - Qualidade da imagem; Radiografia - Processamento; Aprendizado do computador; Tubulação - Indústrias - Inspeção; Tubos - Dinâmica dos fluidos; Petróleo - Transporte - Inspeção; Diagnosis, Radioscopic; Radiography, Industrial; Radiography, Medical; Radiography - Image quality; Radiography - Processing; Machine learning; Piping - Industries - Inspection; Tubes - Fluid dynamics; Petroleum - Transportation - Inspection
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/5023

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.