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