| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 17.91 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Industry 4.0 promotes the use of emergent technologies, such as Internet of Things (IoT),
Big Data, Artificial Intelligence (AI) and cloud computing, sustained by cyber-physical
systems to reach smart factories. The idea is to decentralize the production systems and
allow to reach monitoring, adaptation and optimization to be made in real time, based on
the large amount of data available at shop floor that feed the use of machine learning techniques.
This technological revolution will bring significant productivity gains, resources
savings and reduced maintenance costs, as machines will have information to operate
more efficiently, adaptable and following demand fluctuations. This thesis discusses the
application of supervised Machine Learning (ML) techniques allied with artificial vision, to
implement an intelligent, collaborative and adaptive robotic inspection station, which carries
out the Quality Control (QC) of Human Machine Interface (HMI) consoles, equipped
with pressure buttons and Liquid Crystal Display (LCD) displays. Machine learning techniques
were applied for the recognition of the operator’s face, to classify the type of HMI
console to be inspected, to classify the state condition of the pressure buttons and detect
anomalies in the LCD displays. The developed solution reaches promising results, with
almost 100% accuracy in the correct classification of the consoles and anomalies in the
pressure buttons, and also high values in the detection of defects in the LCD displays.
Indústria 4.0 promove o uso de tecnologias emergentes, como Internet of Things (IoT), Big Data, artificial intelligence (AI) e cloud computing, sustentadas por sistemas ciberfísicos, como o designio de alcançar o que chamam de fábricas inteligentes. A ideia é descentralizar os sistemas de produção e permitir que a monotorização, a adaptação e a otimização sejam feitos em tempo real, com base na grande quantidade de dados disponíveis no ambiente fabril que alimentam o uso de técnicas de machine learning (ML). Esta revolução tecnológica trará ganhos significativos de produtividade, economia de recursos e custos de manutenção mais reduzidos, pois as máquinas terão informações para operar com mais eficiência, adaptáveis e acompanhar as flutuações de procura. Esta tese discute a aplicação de técnicas supervisionadas de ML, aliadas à visão artificial, para a implementação de uma estação de inspeção robótica inteligente, colaborativa e adaptativa, que realiza o controlo de qualidade de consolas HMI, equipados com botões de pressão e displays LCD. Técnicas de ML foram aplicadas para o reconhecimento facial do operador, para classificação do tipo de console HMI a ser inspecionado, para classificar a condição do estado dos botões de pressão e deteção de anomalias nos displays LCD. A solução desenvolvida alcança resultados promissores, com quase 100 % de precisão na correta classificação das consolas e anomalias nos botões de pressão, e também valores elevados de acerto na deteção de defeitos nos displays LCD.
Indústria 4.0 promove o uso de tecnologias emergentes, como Internet of Things (IoT), Big Data, artificial intelligence (AI) e cloud computing, sustentadas por sistemas ciberfísicos, como o designio de alcançar o que chamam de fábricas inteligentes. A ideia é descentralizar os sistemas de produção e permitir que a monotorização, a adaptação e a otimização sejam feitos em tempo real, com base na grande quantidade de dados disponíveis no ambiente fabril que alimentam o uso de técnicas de machine learning (ML). Esta revolução tecnológica trará ganhos significativos de produtividade, economia de recursos e custos de manutenção mais reduzidos, pois as máquinas terão informações para operar com mais eficiência, adaptáveis e acompanhar as flutuações de procura. Esta tese discute a aplicação de técnicas supervisionadas de ML, aliadas à visão artificial, para a implementação de uma estação de inspeção robótica inteligente, colaborativa e adaptativa, que realiza o controlo de qualidade de consolas HMI, equipados com botões de pressão e displays LCD. Técnicas de ML foram aplicadas para o reconhecimento facial do operador, para classificação do tipo de console HMI a ser inspecionado, para classificar a condição do estado dos botões de pressão e deteção de anomalias nos displays LCD. A solução desenvolvida alcança resultados promissores, com quase 100 % de precisão na correta classificação das consolas e anomalias nos botões de pressão, e também valores elevados de acerto na deteção de defeitos nos displays LCD.
Description
Keywords
Machine learning Artificial vision Quality control Industry 4.0 Tensor-Flow Convolution neural network