Publication
Sistema de controlo de qualidade de unidades sensoriais, recorrendo a inteligência artificial
| datacite.subject.fos | Engenharia e Tecnologia::Outras Engenharias e Tecnologias | pt_PT |
| dc.contributor.advisor | Teixeira, João Paulo | |
| dc.contributor.advisor | Rodrigues, Pedro | |
| dc.contributor.advisor | Ferreira, Manuel João | |
| dc.contributor.advisor | Leite, Pedro | |
| dc.contributor.author | Freitas, João Pedro Fernandes | |
| dc.date.accessioned | 2025-01-14T15:59:42Z | |
| dc.date.available | 2025-01-14T15:59:42Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | Este estudo investiga a aplicação de redes neuronais na deteção de anomalias em peças sensoriais de plástico no ambiente industrial. O principal objetivo é criar um sistema eficiente de controle da qualidade, utilizando técnicas de inteligência artificial, especialmente redes neuronais convolucionais (CNNs), para analisar imagens obtidas de diversas câmaras em diferentes formatos (RGB e escala de cinza). Este projeto emprega conjuntos de dados e técnicas de aumento de dados para treinar a rede, a fim de diferenciar peças defeituosas (NOK) de peças em perfeito estado (OK). Sendo as peças defeituosas diferenciadas maioritariamente por ter o snap partido, ou com alguma anomalia brusca que saia fora do normal. A metodologia abrange o desenvolvimento e treinamento de modelos baseados na biblioteca anomalib, no que toca a deteção de anomalias. Os resultados indicaram uma elevada precisão na identificação de anomalias, com métricas como F1-score e matriz de confusão evidenciando a eficácia do modelo em situações reais. Os resultados indicam a viabilidade de sistemas automáticos para a deteção de defeitos, otimizando o tempo de produção e minimizando erros humanos no processo de inspeção de qualidade. | pt_PT |
| dc.description.abstract | This study investigates the application of neural networks in detecting anomalies in plastic sensor components within an industrial environment. The primary aim is to establish an efficient quality control system that utilizes artificial intelligence techniques, particularly convolutional neural networks (CNNs), to analyze images captured from various cameras in different formats (RGB and grayscale). The project employs datasets and data augmentation techniques to train the network to differentiate between defective parts (NOK) and perfectly fine parts (OK). The defective parts are primarily distinguished by having a broken snap or by exhibiting some abrupt anomaly that deviates from the norm. The methodology includes the development and training of models based on the anomalib library for anomaly detection. The results indicated high accuracy in identifying anomalies, with metrics such as F1-score and the confusion matrix demonstrating the model’s effectiveness in real-world scenarios. The results indicate the feasibility of automated systems for defect detection, optimizing production time and minimizing human errors in the quality inspection process. | pt_PT |
| dc.identifier.tid | 203800460 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10198/30984 | |
| dc.language.iso | por | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | pt_PT |
| dc.subject | Redes neuronais convolucionais | pt_PT |
| dc.subject | Deteção de anomalias | pt_PT |
| dc.subject | Controlo de qualidade | pt_PT |
| dc.subject | Inteligência artificial | pt_PT |
| dc.subject | Aprendizagem | pt_PT |
| dc.subject | Máquina | pt_PT |
| dc.title | Sistema de controlo de qualidade de unidades sensoriais, recorrendo a inteligência artificial | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | restrictedAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Engenharia Eletrotécnica e de Computadores | pt_PT |