Trabalho de pesquisa desenvolvido pelo Prof. Dr. Bruno da Cunha Diniz
Resumo
"Os materiais metálicos podem falhar por diversos mecanismos, sendo as falhas por fratura dúctil, fratura frágil e fadiga as mais comuns e críticas. A compreensão desses mecanismos de falha é essencial para a previsão do comportamento dos materiais metálicos e para o desenvolvimento de estratégias de prevenção de falhas em projetos de engenharia. O reconhecimento de imagens de tipos de falhas em materiais metálicos é crucial para a manutenção e a garantia da integridade estrutural no setor industrial. As redes neurais convolucionais têm se mostrado uma ferramenta de grande importância nessa área, permitindo a análise rápida e precisa de grandes volumes de dados visuais e imagens. O objetivo deste trabalho é desenvolver um modelo de redes neurais convolucionais (CNNs) para a identificação de diferentes tipos de falhas em materiais metálicos a partir das imagens de inspeções técnicas obtidas na literatura. Para isso, são selecionadas as imagens para os diferentes tipos de falhas de materiais metálicos, seguido da realização do treinamento e validação da rede, sendo avaliadas três arquiteturas de redes convolucionais: VGG16, ResNet50 e InceptionV3. Os resultados se apresentaram de forma satisfatória na identificação do tipo de falha em materiais metálicos. As arquiteturas de rede InceptionV3 e VGG16 obtiveram resultados com maior precisão.".
O treinamento da rede convolucional que tem como objetivo a identificação do tipo de falha de um material metálico foi realizado a partir de diversos testes usando 3 bases de redes neurais pré-treinadas. A rede neural convolucional foi desenvolvida e treinada utilizando a linguagem de programação Python, através do ambiente de desenvolvimento integrado Visual Studio Code (VS Code). Durante o processo de implementação e treinamento da rede, foram empregadas diversas bibliotecas especializadas, incluindo TensorFlow para a construção e treinamento do modelo, OpenCV para o processamento de imagens, Matplotlib para visualização dos resultados, Scikit-learn para técnicas de pré-processamento e avaliação, e NumPy para operações numéricas. Além disso, utilizou-se Keras como interface de alto nível para o TensorFlow, ImageDataGenerator para a geração e para aumentar a quantidade e a variedade de imagens disponíveis, bem como as bibliotecas OS, Multiprocessing, e IMGHDR para manipulação e gestão de arquivos.
Comments