Sistema automático para a inspeção visual de transportadores de correia

André Almeida Santos, Filipe Augusto Santos Rocha, Héctor Azpúrua, Agnaldo José da Rocha Reis, Frederico G. Guimarães
2019 Anais do 14º Simpósio Brasileiro de Automação Inteligente   unpublished
In the mining sector, conveyor belts are the most widespread means of transportation for large quantities of materials. Mining sites usually contain thousands of bearings, which make the inspection task complex. One aims with this work to perform a research in the field of artificial intelligence in order to automate and to facilitate the inspection in conveyor belts. The proposed methodology involves training a pattern detector through Convolutional Neural Networks (CNN) from RGB images that
more » ... ll be collected by an autonomous robot. As an initial application, one seeks to develop a classifier capable of identifying the clutter of dirt in the structures, which is one of the tasks of the maintenance teams. To analyze the problem, we chose the use of the transfer learning technique, using networks consolidated in the classification of images and re-trained with the images collected. Accuracy in test data ranged from 81.81% to 95.45%. A full description of the methodology employed and the results obtained is presented in the article. Resumo: No setor da mineração os transportadores de correia constituem o meio mais difundido de transporte para grandes quantidades de materiais. Os locais de mineração geralmente contêm milhares de rolamentos, que tornam complexa a tarefa de inspeção. Se objetiva com este trabalho realizar uma pesquisa no campo da inteligência artificial de forma a automatizar e facilitar a inspeção em transportadores de correia. A metodologia proposta envolve treinar um classificador de padrões por meio de Redes Neurais Convolucionais (RNC) a partir de imagens RGB que serão coletadas por um robô autônomo. Como aplicação inicial, busca-se desenvolver um classificador capaz de identificar a aglomeração de sujeira nas estruturas, queé uma entre as tarefas das equipes de manutenção. Para análise do problema, optou-se pelo uso da técnica de transferência de conhecimento, usando redes consolidadas na classificação de imagens e re-treinadas com as imagens coletadas. A acurácia nos dados de teste variou entre 81.81% e 95.45%. Uma descrição completa da metodologia empregada e dos resultados obtidosé apresentada no artigo.
doi:10.17648/sbai-2019-111300 fatcat:7hlhowx7hfgm7brfzgysubymxe