Análise comparativa de redes neurais convolucionais para classificação de fibras ópticas.
Visualizar/ Abrir
Data
2021-12-20Autor
Conrad, Carlos Cézar de Oliveira
Metadata
Mostrar registro completoResumo
Este trabalho utiliza algoritmos baseados em deep learning a fim de solucionar um problema de campo industrial, a classificação da qualidade de fibras ópticas. Uma das motivações deste rojeto é a pouca exploração acadêmica no segmento descrito. Pouco, ou muito pouco, existe de material disponível no que se refere à utilização de visão assistida por computador para agilizar este tipo de processo. O método de avaliação foi através do treinamento de duas CNNs (Convolutional Neural Networks, Redes Neurais Convolucionais) para que seus parâmetros de treinamento (como precisão, perda, tempo de treinamento e predição num conjunto de dados de teste) pudessem ser comparados. As CNNs escolhidas foram a VGG-16 e a ResNet-18, devido principalmente à sua utilização usual em tarefas de visão computacional. O dataset utilizado tinha 440 imagens de fibras ópticas em diferentes estados de conservação (novas e limpas, novas e sujas e danificadas) e em cinco cores (vermelhas, azuis, verdes, amarelas e brancas) às quais foram atribuídas duas classes (“boas” e “ruins”). O conjunto de dados é resultado da aplicação de algoritmos de data augmentation (aumento de dados) somado às 27 imagens originais. Utilizando destes parâmetros, as duas redes neurais atingiram valores de precisão de dados de validação expressivos, sendo 93,18% a precisão com VGG-16 e 96,21% a precisão do algoritmo ResNet-18 para os subconjuntos de teste.
Coleções
Os arquivos de licença a seguir estão associados a este item: