Redes neurais convolucionais profundas aplicadas na inspeção radiográfica de juntas soldadas

• Ano de defesa: 2020
• Autor(a) principal: Suyama, Fernando Moreira
• Orientador(a): Delgado, Myriam Regattieri De Biase da Silva
• Banca de defesa: Nassu, Bogdan Tomoyuki , Pedrini, Helio , Oliveira, Lucas Ferrari de , Delgado, Myriam Regattieri De Biase da Silva , Silva, Ricardo Dutra da
• 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: Redes neurais (Computação); Testes não-destrutivos; Solda e soldagem; Inteligência artificial; Aprendizado de Máquina; Visão Computacional; Radiografia; Juntas (Engenharia); Processamento de imagens; Tubulação; Soldagem; Neural networks (Computer science); Non-destructive testing; Solder and soldering; Artificial intelligence; Machine learning; Computer vision; Radiography; Joints (Engineering); Image processing; Piping; Welding
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/24985

Inspeções periódicas em tubulações e dutos, realizadas em geral com base em ensaios não destrutivos, são fundamentais para garantir segurança, qualidade e confiabilidade de instalações petroquímicas. O uso de aprendizado profundo tem ganhado destaque em diferentes domínios de aplicação, mas no contexto de inspeção radiográfica de tubulações petrolíferas seu uso é recente. Este trabalho propõe um conjunto de métodos baseados em redes convolucionais profundas para o suporte à atividade de inspeção radiográfica de juntas soldadas em tubulações de petróleo. As abordagens propostas nesta pesquisa atuam na identificação automática de defeitos de soldagem que podem comprometer a estrutura de instalações e equipamentos em análise. Para tanto, o problema é tratado considerando-se duas fases: (i) detecção da junta soldada e (ii) segmentação semântica dos defeitos de soldagem. A detecção da junta soldada, cuja metodologia representa uma das principais inovações alcançadas no trabalho, identifica e classifica regiões sobre radiografias com exposição Parede Dupla Vista Dupla de juntas soldadas de tubulações de petróleo. A segmentação semântica dos defeitos, por outro lado, localiza os defeitos na junta soldada em nível de pixel, a partir de amostras extraídas por meio de janelas deslizantes, para investigar um método de segmentação de inferência composta proposto neste trabalho. Vale destacar os desafios impostos pela base de dados real considerada, tendo em vista a falta de contraste e alto nível de ruído presentes na maioria das imagens. As principais contribuições alcançadas nesta tese consistem na análise da robustez de diferentes arquiteturas convolucionais profundas aos ruídos branco e impulsivo na inspeção radiográfica e na proposta de mecanismos inovadores na composição de inferências para localizar os defeitos de soldagem pixel a pixel. Considerando os diferentes grupos de teste, as melhores configurações resultaram em um F-score médio de 96% na detecção de juntas soldadas. Já na detecção de defeitos de soldagem, o F-score médio foi de 57% na segmentação semântica, ou seja, no nível de pixels, e 79% em tarefas de detecção, ou seja, no nível de objetos (defeitos).