Projeto que utiliza aprendizado de máquina supervisionado para detectar falhas em equipamentos por meio de inspeção visual. Com foco nas redes neurais convolucionais (CNN) e técnicas avançadas de deep learning, esse projeto busca identificar superfícies danificadas e falhas em diferentes cenários.
O objetivo principal é desenvolver um modelo de detecção robusto, utilizando redes neurais convolucionais pré-treinadas e técnicas de transfer learning. Através da análise visual de imagens, esse modelo busca identificar falhas em equipamentos, proporcionando uma inspeção mais eficiente e precisa. O projeto também avalia a utilização de Data Augmentation para melhorar a acurácia, o tempo de processamento e a capacidade de predição.
Com a aplicação de deep learning e CNNs, a inspeção visual é uma ferramenta poderosa para a detecção precoce de problemas, permitindo a manutenção proativa e a redução de danos. Com a precisão e a eficiência dos modelos desenvolvidos, o projeto tem o potencial de otimizar processos industriais e garantir a segurança e o bom funcionamento de equipamentos.
Datasets utilizados:
https://www.kaggle.com/datasets/ravirajsinh45/real-life-industrial-dataset-of-casting-product
http://faculty.neu.edu.cn/songkechen/zh_CN/zhym/263269/list/index.htm