Desenvolvimento de um sistema de classificação de peças em ambiente industrial utilizando visão computacional e a arquitetura YOLO.

• Autor(a) principal: PEREIRA, Lucas Dantas.
• Data de Publicação: 2024
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: https://dspace.sti.ufcg.edu.br/handle/riufcg/37283
• topic: Visão Computacional; YOLO; Redes Neurais Convolucionais; Detecção de Objetos; Sensores; Ambiente Industrial; Python; Aprendizado de Máquina; Algoritmos de Detecção; Processamento de Imagens; Automação Industrial; Análise de Imagens; Inteligência Artificial; Transferência de Conhecimento; Redes Neurais Profundas; Computer Vision; Convolutional Neural Networks; Object Detection; Sensors; Industrial Environment; Machine Learning; Detection Algorithms; Image Processing; Industrial Automation; Image Analysis; Artificial Intelligence; Knowledge Transfer; Deep Neural Networks; Engenharia Elétrica

O presente trabalho tem como objetivo fornecer uma alternativa para a detec-ção de peças, substituindo os sensores convencionais e, em algumas situações, oferecendo uma solução viável quando os sensores tradicionais não são eficientes. Para alcançar esse objetivo, o estudo foi desenvolvido com base no Sistema Modular de Produção, que simula um ambiente industrial em escala laboratorial. Utilizou-se o modelo de rede neural pré-treinado YOLO (You Only Look Once) para a identificação das peças, ajustando-o especificamente para essa tarefa. A implementação do algoritmo foi realizada em Python, devido à sua ampla gama de bibliotecas de aprendizado de máquina e facilidade de integração com ferramentas de visão computacional. A rede neural convolucional profunda demonstrou uma precisão de 98,9%, recall de 100% e F1-score de 99,3%, indicando um desempenho promissor do modelo.