Navegando por Autor "Góes, Angelo Leite Medeiros de"
Agora exibindo 1 - 2 de 2
- Resultados por página
- Opções de Ordenação
TCC Classificação e rastreamento de itens em uma esteira móvel utilizando redes convolucionais e processamento de imagens(Universidade Federal do Rio Grande do Norte, 2022-12-15) Góes, Angelo Leite Medeiros de; Dória Neto, Adrião Duarte; 0000-0002-5445-7327; http://lattes.cnpq.br/1987295209521433; 0000-0003-1138-1403; http://lattes.cnpq.br/3037310998903708; Terrematte, Patrick Cesar Alves; 0000-0002-0385-0030; http://lattes.cnpq.br/4283045850342312; Santos, Keylly Eyglys Araújo dos; http://lattes.cnpq.br/0407424499947704Dada a gradual prosperidade do mundo moderno, vê-se uma crescente necessidade na redução do tempo gasto com atividades triviais. No contexto de idas aos supermercados, estudos recentes apontam que um dos fatores mais relevantes na experiência de compra, que reflete nas vendas e faturamento, é o tempo gasto nas filas. O trabalho em questão visa descrever a criação de um protótipo de visão computacional e deep learning, a ser instalado junto a uma câmera suspensa sobre uma esteira móvel de supermercado. Este será responsável por detectar, classificar, rastrear o movimento e contar todos os itens que passam. O stream de vídeo é processado em tempo real, e ao detectar a passagem de um item específico a conta final da compra é incrementada. Como não haveria interferência humana, o processo tende a simplificar, baratear e agilizar caixas de supermercado. Dentre as tecnologias exploradas está a de redes neurais convolucionais “estado da arte”, em especial a You Only Look Once (YOLO) v4 tiny e a YOLO v5 small, bem como algumas mais consolidadas no mercado como OpenCV para o processamento de imagens ou Roboflow para expansão da base de dados. Ao final do experimento foi possível desenvolver um modelo que contava com até 77% de precisão média (mAP@[0.5:0.95]) para dois itens em uma esteira, usando um modelo treinado em um dataset híbrido, composto de imagens coletadas in vitro e imagens geradas por meio de um simulador, além disso uma interface gráfica responsável pela visualização do feed de video processado, que possibilita também manipulação de hiperparâmetros da CNN, do rastreador e do contador de itens.Dissertação Metodologia e plataforma baseadas em aprendizado de máquina para inspeção de defeitos na indústria têxtil(Universidade Federal do Rio Grande do Norte, 2025-01-27) Góes, Angelo Leite Medeiros de; Dória Neto, Adrião Duarte; https://orcid.org/0000-0002-5445-7327; http://lattes.cnpq.br/1987295209521433; https://orcid.org/0000-0003-1138-1403; http://lattes.cnpq.br/3037310998903708; Fontes, Aluisio Igor Rego; Florêncio, Heitor Medeiros; Barroca Filho, Itamir de MoraisA inspeção de qualidade (IQ) na indústria têxtil é um processo essencial, mas desafiador, em especial devido à diversidade de defeitos e à dependência de critérios subjetivos de inspetores humanos. Este trabalho propõe uma metodologia baseada em visão computacional e aprendizado profundo para otimizar o processo de IQ em tecidos, aliada ao desenvolvimento de uma plataforma associada para demonstrar sua viabilidade e aplicação em ambientes industriais. A plataforma integra os algoritmos propostos: a detecção em grelha, que segmenta imagens em patches para classificação local de defeitos, e o refinamento em ripple, que melhora a qualidade da detecção analisando células vizinhas. Os resultados experimentais validam a eficácia da metodologia. Um benchmark de modelos de aprendizado de máquina foi realizado, comparando oito abordagens, incluindo variantes do YOLOv5, YOLOv8 e redes populares na literatura, utilizando o dataset TILDA 400, composto por cinco classes distintas. Os modelos da família YOLOv8 destacaram-se, especialmente o YOLOv8 medium, que atingiu 90,35% de acurácia com tempo de inferência de 0,5ms em uma GPU Tesla P100, superando a média de 70% de precisão dos inspetores humanos. O YOLOv8 small também apresentou um desempenho notável, com uma capacidade teórica de inspeção de até 46,875 m/min e acurácia de 86,96%, superando a velocidade manual máxima de 15 a 20 m/min. A aplicação desta metodologia, juntamente com a plataforma desenvolvida, demonstra potencial para aprimorar a precisão, a velocidade e a organização na IQ, além de reduzir os custos operacionais e fomentar a automação e a eficiência no setor têxtil.