Publicação: Deep Learning Approaches for Defect Segmentation on Composite Materials using Infrared Thermography
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO::MODELOS ANALITICOS E DE SIMULACAO, CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::ENGENHARIA TERMICA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
A termografia infravermelha é amplamente utilizada para a detecção de defeitos em materiais compósitos. No entanto, identificar com confiança essas falhas apresenta desafios significativos devido à complexidade das propriedades térmicas dos compósitos e à variabilidade das condições de inspeção. Nesta pesquisa, propomos uma nova abordagem baseada em deep learning para a detecção de defeitos em materiais compósitos utilizando termografia infravermelha. O modelo proposto integra duas arquiteturas de rede neural: a rede neural espacial DeepLabv3 e a rede neural temporal Bidirectional Long Short-Term Memory (BiLSTM). A combinação dessas arquiteturas permite a análise eficiente das características espaciais e temporais das imagens térmicas, melhorando a identificação de defeitos. A DeepLabv3 é utilizada para segmentar e destacar áreas de interesse nas imagens térmicas, enquanto a BiLSTM é responsável por analisar a evolução temporal das temperaturas nessas áreas, proporcionando uma visão mais completa do comportamento térmico dos defeitos ao longo do tempo. Esta abordagem permite uma detecção mais precisa e robusta em comparação com métodos tradicionais. Experimentos foram conduzidos utilizando um conjunto de dados reais composto por imagens térmicas de Carbon-fiber Reinforced Polymer (CFRP) submetidos a diferentes condições de teste. Os resultados demonstram que o método proposto neste trabalho, que combina DeepLabv3 e BiLSTM, melhora significativamente a detecção de defeitos, quando comparado com técnicas tradicionais. Assim, esta pesquisa contribui para o avanço das técnicas de detecção de defeitos em materiais compósitos, utilizando a termografia infravermelha e deep learning, demonstrando o potencial das arquiteturas de rede neural para aplicações em inspeção e controle de qualidade.
Abstract
Infrared Thermography (IRT) is widely used for detecting defects in composite materials. However, accurately identifying these faults presents significant challenges due to the complexity of the thermal properties of composites and the variability of inspection conditions. In this research, we propose a new approach based on deep learning for detecting defects in composite materials using infrared thermography. The proposed model integrates two neural network architectures: the DeepLabv3 spatial neural network and the BiLSTM temporal neural network. The combination of these architectures allows for efficient analysis of the spatial and temporal characteristics of thermal images, improving the accuracy of defect identification. DeepLabv3 is used to segment and highlight areas of interest in thermal images, while BiLSTM is responsible for analyzing the temporal evolution of temperatures in these areas, providing a more comprehensive view of the thermal behavior of defects over time. This approach allows for more precise and robust detection compared to traditional methods. Experiments were conducted using a real dataset composed of thermal images of Carbon-fiber reinforced polymer CFRP subjected to different test conditions. The results demonstrate that the combined use of DeepLabv3 and BiLSTM significantly improves defect detection accuracy, outperforming traditional techniques. Thus, this research contributes to the advancement of defect detection techniques in composite materials using infrared thermography and deep learning, demonstrating the potential of neural network architectures for applications in inspection and quality control.
Palavras-chave
Termografia Infravermelha, Infrared Thermography, Segmentação, Segmentation, Aprendizado Profundo, Deep Learning, Materiais Compósitos, Composite Materials, DeepLabv3, DeepLabv3, BiLSTM, BiLSTM
Citação
VARGAS, Iago Garcia. Deep Learning Approaches for Defect Segmentation on Composite Materials using Infrared Thermography. 2024. 96 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2024. DOI http://doi.org/10.14393/ufu.di.2024.813
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto