Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2020

Aluno: Heitor de Castro Felix
Orientador: Veronica Teichrieb
Co-orientador: Francisco Paulo Magalhães Simões
Título: OGNet-AD: Um método para detecção de falhas em equipamentos através 
da detecção de anomalias em imagens com GAN baseado na OGNet
Data: 13/04/2022
Hora/Local: 14:00 – Online
Banca Examinadora:
Prof. Cleber Zanchettin(UFPE / CIn)
Prof. Péricles Barbosa Cunha de Miranda(UFRPE / Departamento de Computação)
Prof. Francisco Paulo Magalhães Simões(UFPE / CIn)

RESUMO:

A aplicação de visão computacional com Deep Learning (DL) vem sendo 
utilizada para resolver problemas complexos. Um desses problemas é a 
inspeção automática de objetos industriais. A inspeção pode ocorrer em 
cenário controlado, como mostrado no dataset MVTec AD ou em um cenário não 
controlado, como ocorre em torres de linhas de transmissão de energia. Um 
dos maiores desafios na inspeção automática é a disponibilidade limitada de 
dados de falhas para o treinamento dos classificadores tradicionais 
baseados em DL. Pois, em aplicações de inspeção industrial, há poucos dados 
de falhas e baixa diversidade nos exemplos. Mesmo em linhas de transmissão 
de energia, que são essenciais para vida humana moderna, não existem 
datasets de inspeção para o treinamento supervisionado de classificadores. 
Portanto, abordagens de treinamento não supervisionado são usadas para 
contornar a escassez de dados, como detecção de anomalias e One-Class 
Classification (OCC). Nessas abordagens, os treinamentos dos modelos são 
realizados apenas com os dados dos equipamentos em seus estados normais, 
sem defeitos. Este trabalho investiga a detecção de anomalias com o uso da 
OGNet, uma técnica de estado da arte de OCC e busca adaptá-la para a 
detecção de anomalias, criando uma nova rede, a OGNet-AD. A nova rede e a 
OGNet foram avaliadas quantitativamente em um ambiente controlado com MVTec 
AD e em um ambiente não controlado com um dataset privado de inspeção de 
linhas de transmissão de energia, o DILTE. Como resultado da pesquisa, 
verificou-se que a OGNet pode ser utilizada para detecção de anomalias e 
compara-se com técnicas tradicionais desse contexto. A OGNet-AD conseguiu 
superar a OGNet tanto no cenário controlado do MVTec-AD quanto no cenário 
não controlado do DILTE, com média de AUC-ROC de 87,4 contra 84,7 da OGNet 
no MVTec-AD e 77 contra 72 no DILTE, comprovando os benefícios das 
modificações realizadas no modelo. Apesar da evolução da OGNet-AD, a 
técnica também foi comparada com técnicas elaboradas para detecção de 
anomalias, não superando ainda a técnica do estado da arte. Além dos testes 
quantitativos, uma técnica de Explainable Artificial Inteligente foi 
explorada para a validação qualitativa da OGNet-AD. A validação foi 
realizada utilizando a Grad-CAM para visualizar as regiões que influenciam 
nas decisões da rede. A validação qualitativa mostrou-se eficiente para 
analisar o uso da OGNet-AD, principalmente em cenários com poucos dados 
para realização da validação quantitativa tradicional.

Palavras-chave: Detecção de Anomalias, Inspeção Automática, Linhas de 
Transmissão de Energia, Visão Computacional, Deep Learning

Comentários desativados