Inteligência artificial aplicada à classificação de defeitos de qualidade em pneus

Abstract

A manufatura de pneus radiais é complexa, e por este motivo alguns defeitos inevitavelmente acabam aparecendo no processo de produção. Atualmente a detecção de defeitos comumente usada é a detecção manual, entre estas técnicas está o teste de ultrassom, detecção térmica, detecção por Raio-X, holografia digital, entre outros. O Raio-X ou radiografia técnica permite a análise de todos os componentes internos do pneu, como a estrutura de talões e as diferentes camadas de borracha e de cordas, sejam elas metálicas ou têxteis. A tarefa de detectar defeitos utilizando imagens de Raio-X é feita de forma manual, isso causa perda de tempo e custos para a empresa. Além disso, trata-se de um processo subjetivo, ineficiente, demorado e até tendencioso pois requer um alto nível de concentração e foco. O objetivo deste trabalho é a digitalização do processo convencional de análise de falhas de qualidade em pneus radiais metálicos utilizando algoritmos desenvolvidos com recursos de Inteligência Artificial, capaz de identificar e classificar defeitos presentes em imagens de Raio-X. Este trabalho apresenta uma breve introdução sobre o que é o pneu, bem como o desenvolvimento do algoritmo proposto, utilizando técnicas clássicas de segmentação de imagens com uma biblioteca de Visão Computacional e duas estruturas de redes neurais convolucionais diferentes. Por intermédio da comparação, verificou-se que o algoritmo baseado em U-Net obteve resultados mais relevantes, porém, o algoritmo baseado em Mask R-CNN também se mostrou promissor, podendo ser útil em novos trabalhos, com uma base de dados maior e diferentes parâmetros de configurações

The manufacture of radial tires is complex, and for this reason some defects inevitably end up appearing in the production process. Currently the commonly used defect detection is manual detection, among these techniques are ultrasound testing, thermal detection, X-ray detection, digital holography, among others. The X-ray or technical radiography allows the analysis of all the internal components of the tire, such as the bead structure and the different layers of rubber and cords, whether metallic or textile. The task of detecting defects using X-ray images is done manually, which causes loss of time and costs for the company. Furthermore, it is a subjective, inefficient, time-consuming and even biased process as it requires a high level of concentration and focus. The objective of this work is the digitization of the conventional process of analysis of quality failures in metallic radial tires using algorithms developed with Artificial Intelligence resources, capable of identifying and classifying defects present in X-Ray images. This work presents a brief introduction about what the tire is, as well as the development of the proposed algorithm, using classic image segmentation techniques with a Computer Vision library and two different convolutional neural network structures. Through the comparison, it was verified that the algorithm based on U-Net obtained more relevant results, however, the algorithm based on Mask R-CNN was also promising and could be useful in new works, with a larger database and different settings parameters.