Aplicativo android para detecção de falhas em peças na indústria moveleira após o processo de pintura utilizando técnicas de processamento de imagens com redes neurais artificiais

Abstract

A indústria moveleira enfrenta desafios significativos na detecção de falhas em peças após o processo de pintura, muitas vezes difíceis de identificar visualmente, mas que comprometem a qualidade final do produto. Este projeto visa desenvolver uma aplicação para dispositivos Android que utiliza técnicas de Deep Learning para detectar anomalias em tempo real a partir de imagens das peças pintadas. O processo inicial incluiu uma revisão abrangente sobre redes neurais convolucionais e desenvolvimento de aplicativos Android, além de discussões com profissionais da indústria para entender os tipos de defeitos comuns. A metodologia envolveu a segmentação das peças em conformes e não conformes, o pré-processamento das imagens, e o treinamento de um modelo de rede neural em Python usando o TensorFlow e Keras. O modelo treinado foi adaptado para dispositivos móveis com TensorFlow Lite e integrado a uma aplicação Android, utilizando-se do ML Kit. O projeto não só aborda a detecção técnica de falhas, mas também explora a viabilidade e aplicabilidade da solução para melhorar a qualidade e eficiência dos processos de inspeção na indústria moveleira.

The furniture industry faces significant challenges in detecting defects in parts after the painting process, which are often difficult to identify visually but compromise the final quality of the product. This project aims to develop an application for Android devices that use Deep Learning techniques to detect anomalies in real-time from images of painted parts. The initial process included a comprehensive review of convolutional neural networks and Android application development, as well as discussions with industry professionals to understand the types of common defects. The methodology involved segmenting compliant and non-compliant parts, preprocessing the images, and training a neural network model in Python using TensorFlow and Keras. The trained model was adapted for mobile devices with TensorFlow Lite and integrated into an Android application using ML Kit. The project not only addresses technical fault detection but also explores the viability and applicability of the solution to improve the quality and efficiency of inspection processes in the furniture industry.