dc.contributor.advisor | Gamarra, Daniel Fernando Tello | |
dc.creator | Conrad, Carlos Cézar de Oliveira | |
dc.date.accessioned | 2022-11-16T18:39:49Z | |
dc.date.available | 2022-11-16T18:39:49Z | |
dc.date.issued | 2021-12-20 | |
dc.date.submitted | 2021 | |
dc.identifier.citation | Conrad, C. C. O. Análise comparativa de redes neurais convolucionais para classificação de fibras ópticas. 2021. 73 p.
Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação ) - Universidade Federal de Santa Maria, Santa Maria, RS, 2021. | por |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/26900 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Controle e Automação, RS, 2021. | por |
dc.description.abstract | This paper utilizes deep learning-based algorithms to solve an industrial field problem, which is the classification of fiber optics’ quality. One of the motivations in this work is the lack of related work in the defined segment. There is currently too little material available concerning computer aided vision to quicken this kind of process. The evaluation method was through a
training of two Convolutional Neural Networks, in order to compare their parameters (such as training and validation accuracies, training and validation losses, training time and predictions on a testing dataset). Chosen CNNs were VGG-16 and ResNet-18, due mainly to their usual utilization in computer vision tasks. The utilized dataset had 440 fiber optics’ images in different states of preservation (new and clean, new and dirty and damaged) and in five different colors (red, blue, green, yellow and white). To those fibers it was assigned one of two different classes (“good” or “bad”). The dataset is a result from a data augmentation algorithm plus 27 original
images. With those parameters, both neural networks have achieved expressive accuracy results, with VGG-16 performing a validation accuracy of 93,18% and ResNet-18 going as high as 96,21% on the test dataset. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Embargado | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Fibra óptica | por |
dc.subject | Redes Neurais Convolucionais | por |
dc.subject | ResNet-18 | por |
dc.subject | VGG-16 | por |
dc.subject | Fiber optics | eng |
dc.subject | CNNs | eng |
dc.subject | ResNet-18 | eng |
dc.subject | VGG-16 | eng |
dc.title | Análise comparativa de redes neurais convolucionais para classificação de fibras ópticas. | por |
dc.title.alternative | Comparative analysis of convolutional neural networks in detection and classification of fiber optics | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil | por |
dc.degree.graduation | Engenharia de Controle e Automação | por |
dc.description.resumo | 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. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS | por |
dc.publisher.unidade | Centro de Tecnologia | por |