dc.contributor.author | Souza, Lucas Candiani | |
dc.date.accessioned | 2022-05-10T12:13:07Z | |
dc.date.available | 2022-05-10T12:13:07Z | |
dc.date.issued | 2022-05-03 | |
dc.identifier.citation | SOUZA, Lucas Candiani. Detecção de defeitos em tecidos através de redes neurais convolucionais. 2022. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) – Universidade Federal de São Carlos, São Carlos, 2022. Disponível em: https://repositorio.ufscar.br/handle/ufscar/16102. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/16102 | |
dc.description.abstract | This work aims to apply transfer learning to a detector based on convolutional neural networks to identify defects and patterns through tissue images. With Industry 4.0, intelligent systems are increasingly being applied in an integrated way in production; therefore, the objective of this work is to develop a model to perform the automatic identification of fabric patterns and defects, since an effective detector applied in a production line can reduce costs and provide data on production in general. The dataset used was the ZJU-Leaper, the backbone used was from RetinanetR101 and for code execution several Python libraries were used, such as Pytorch, OpenCV and numpy, in addition to the Detectron2 API. The mAP (mean average precision) of the model developed, calculated for all classes (6 patterns and “defect”) in the validation set, is 92.4%. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Reconhecimento de textura | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Aprendizado por transferência | por |
dc.subject | Texture recognition | eng |
dc.subject | Machine learning | eng |
dc.subject | Transfer learning | eng |
dc.title | Detecção de defeitos em tecidos através de redes neurais convolucionais | por |
dc.title.alternative | Detection of tissue defects through convolutional neural networks | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | França, Celso Aparecido de | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4547836128892982 | por |
dc.description.resumo | Este trabalho visa aplicar transfer learning a um detector baseado em redes neurais convolucionais para identificação de defeitos e estampas através de imagens de tecidos. Com a Indústria 4.0, sistemas inteligentes estão sendo cada vez mais aplicados de forma integrada na produção; sendo assim o objetivo deste trabalho é desenvolver um modelo para realizar a identificação automática de estampas e defeitos, visto que um detector eficaz aplicado em uma linha de produção pode reduzir custos e fornecer dados sobre a produção no geral. O dataset utilizado foi o ZJU-Leaper, o backbone utilizado foi da RetinanetR101 e para execução do código várias bibliotecas do Python foram utilizadas, como Pytorch, OpenCV e numpy, além da API do Detectron2. O mAP (mean average precision) do modelo desenvolvido, calculado para todas as classes (6 estampas e “defeito”) no conjunto de validação, é de 92,4%. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO | por |
dc.subject.cnpq | ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/3436620822478270 | por |
dc.publisher.course | Engenharia Elétrica - EE | por |