A carregar...
Publicação
DETECTION OF WELD SURFACE DEFECTS WITH COMPUTER VISION TECHNIQUES
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.87 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Inspection of welding seams is a critical task in industrial production, as undetected defects
can compromise both safety and product quality. This thesis investigates computer vision
techniques for the automatic detection and classification of welding surface defects, with
the broader objective of identifying the most suitable combination of hardware and
methodology for developing an automated visual inspection system.
To support this work, a dedicated dataset of weld images was acquired using a custom
image acquisition system and preprocessed with specialized techniques. Multiple deep
learning models were evaluated for both detection and classification tasks, with particular
attention to the effects of data augmentation, class imbalance, and data leakage. Three
inspection pipelines were designed and compared: a detection–classification pipeline, a
classification-only pipeline, and a hybrid pipeline combining both strategies.
The results demonstrated that defect detection based on models such as YOLOv8n,
combined with convolutional architectures such as ConvNeXt, achieved consistent per-
formance. Hybrid pipelines improved detection for minority defect classes, although
limitations persisted for extremely rare categories.
The study demonstrates that careful dataset design and augmentation strategies are
essential for achieving reliable performance, and that detection-based approaches provide
a stronger foundation for automated weld inspection. These findings contribute to the
development of a robust computer vision system capable of reducing manual inspection
effort and improving quality assurance in industrial welding processes.
A inspeção de soldaduras constitui uma etapa fundamental na produção industrial, dado que defeitos não detetados podem comprometer tanto a segurança como a qualidade dos produtos. Neste contexto, a presente dissertação concentra-se no desenvolvimento de um sistema de visão capaz de detetar e classificar automaticamente defeitos superficiais em soldaduras, recorrendo a técnicas de visão computacional. Para tal, foi concebido um sistema de aquisição de imagens específico para este tipo de inspeção. As imagens recolhidas foram posteriormente submetidas a um pré- processamento adequado, com o objetivo de melhorar a sua qualidade e uniformidade. Além disso, foram avaliados diversos modelos de aprendizagem profunda, sendo con- siderado também o impacto de estratégias como aumento de dados, balanceamento de classes e prevenção de fugas de dados nos processos de deteção e classificação. Foram exploradas três abordagens de inspeção: uma pipeline de deteção e classificação, uma dedicada exclusivamente à classificação e uma solução híbrida que integra ambas as estratégias. Os resultados demonstraram que as pipeline de deteção e classificação de defeitos, utilizando modelos como o YOLOv8n em combinação com arquiteturas convolucionais como o ConvNeXt, apresentam os melhores desempenhos. Por outro lado, as soluções híbridas podem melhorar a deteção de classes minoritárias, apesar de ainda apresentarem algumas limitações. Este estudo evidencia a importância de um sistema de aquisição de imagens de elevada qualidade, de um conjunto de dados cuidadosamente estruturado, de técnicas de pré-processamento apropriadas e de uma seleção criteriosa de modelos como fatores essenciais para o sucesso de sistemas automáticos de inspeção visual.
A inspeção de soldaduras constitui uma etapa fundamental na produção industrial, dado que defeitos não detetados podem comprometer tanto a segurança como a qualidade dos produtos. Neste contexto, a presente dissertação concentra-se no desenvolvimento de um sistema de visão capaz de detetar e classificar automaticamente defeitos superficiais em soldaduras, recorrendo a técnicas de visão computacional. Para tal, foi concebido um sistema de aquisição de imagens específico para este tipo de inspeção. As imagens recolhidas foram posteriormente submetidas a um pré- processamento adequado, com o objetivo de melhorar a sua qualidade e uniformidade. Além disso, foram avaliados diversos modelos de aprendizagem profunda, sendo con- siderado também o impacto de estratégias como aumento de dados, balanceamento de classes e prevenção de fugas de dados nos processos de deteção e classificação. Foram exploradas três abordagens de inspeção: uma pipeline de deteção e classificação, uma dedicada exclusivamente à classificação e uma solução híbrida que integra ambas as estratégias. Os resultados demonstraram que as pipeline de deteção e classificação de defeitos, utilizando modelos como o YOLOv8n em combinação com arquiteturas convolucionais como o ConvNeXt, apresentam os melhores desempenhos. Por outro lado, as soluções híbridas podem melhorar a deteção de classes minoritárias, apesar de ainda apresentarem algumas limitações. Este estudo evidencia a importância de um sistema de aquisição de imagens de elevada qualidade, de um conjunto de dados cuidadosamente estruturado, de técnicas de pré-processamento apropriadas e de uma seleção criteriosa de modelos como fatores essenciais para o sucesso de sistemas automáticos de inspeção visual.
Descrição
Palavras-chave
Welding surface defects Computer vision Visual inspection Detection Classification Deep learning