Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/5023
Registro completo de metadados
Campo DCValorIdioma
dc.creatorFioravanti, Celia Cristina Bojarczuk-
dc.date.accessioned2020-06-18T22:16:49Z-
dc.date.available2020-06-18T22:16:49Z-
dc.date.issued2020-03-25-
dc.identifier.citationFIORAVANTI, Celia Cristina Bojarczuk. Sistema imunológico artificial com aprendizagem profunda para detectar defeitos de solda em imagens radiográficas PDVD de tubulações de petróleo. 2020. Tese (Doutorado em Engenharia Elétrica e Informática Industrial) - Universidade Tecnológica Federal do Paraná, Curitiba, 2020.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/5023-
dc.description.abstractIn recent years, research focused on (semi)automatic radiographic inspection methods has gained more attention. The present work proposes a method for detecting defects in radiographic images of welded joints of oil pipes. Real condition images obtained by the double wall double image (DWDI) technique usually present a lower quality when compared with images traditionally considered in many studies reported in the literature. First, the proposed approach detects discontinuities in DWDI radiographic images of welded joints, and then, based on a hybrid paradigm encompassing artificial immune systems (AIS) and deep learning (DL), it classifies each discontinuity as ‘defect’ and ‘non-defect’. The proposed method performs two phases in the AIS module: early classification (based on negative selection) and evolving classification (based on clonal selection). In both phases, the pattern recognition task is performed using a set of features extracted from each discontinuity through a detector genetically encoded into immune cells. As an attempt to improve the classification performance, DL models (AlexNet and autoencoders) are incorporated aiming to increase the number of extracted features. Experiments performed on a set of 727 discontinuities show that the proposed approach achieves an F-score of 70.7%, outperforming each of its modules running by themselves: AlexNet with F-score = 64.86% and AIS with F-score = 66%. The experiments also show that the proposed model is capable outperforming tradicional classifiers such as SVM, whose best implementation has achieved an F-score around 60%. Considering the challenges imposed by real conditions on image acquisition and the low rates of false negatives, results demonstrate that the proposed approach can be used to assist experts in their inspection works when dealing with DWDI images.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.subjectDiagnóstico radioscópicopt_BR
dc.subjectRadiografia industrialpt_BR
dc.subjectRadiografia médicapt_BR
dc.subjectRadiografia - Qualidade da imagempt_BR
dc.subjectRadiografia - Processamentopt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectTubulação - Indústrias - Inspeçãopt_BR
dc.subjectTubos - Dinâmica dos fluidospt_BR
dc.subjectPetróleo - Transporte - Inspeçãopt_BR
dc.subjectDiagnosis, Radioscopicpt_BR
dc.subjectRadiography, Industrialpt_BR
dc.subjectRadiography, Medicalpt_BR
dc.subjectRadiography - Image qualitypt_BR
dc.subjectRadiography - Processingpt_BR
dc.subjectMachine learningpt_BR
dc.subjectPiping - Industries - Inspectionpt_BR
dc.subjectTubes - Fluid dynamicspt_BR
dc.subjectPetroleum - Transportation - Inspectionpt_BR
dc.titleSistema imunológico artificial com aprendizagem profunda para detectar defeitos de solda em imagens radiográficas PDVD de tubulações de petróleopt_BR
dc.title.alternativeArtificial immune system with deep learning to detect weld defects in DWDI radiographic images of petroleum pipespt_BR
dc.typedoctoralThesispt_BR
dc.description.resumoNos últimos anos, pesquisas voltadas para métodos de inspeção radiográfica (semiautomáticas) ganharam mais atenção. O presente trabalho propõe um método para detectar defeitos em imagens radiográficas de juntas soldadas de tubulações de petróleo. Imagens em condições reais obtidas pela técnica de parede dupla vista dupla (PDVD) geralmente apresentam uma qualidade inferior quando comparadas às imagens tradicionalmente consideradas em muitos estudos relatados na literatura. Primeiro, a abordagem proposta detecta descontinuidades em imagens radiográficas PDVD de juntas soldadas e, em seguida, com base em um paradigma híbrido que abrange sistemas imunes artificiais (SIA) e aprendizado profundo (deep learning – DL), classifica cada descontinuidade como ‘defeito’ e ‘não defeito’. O método proposto realiza duas fases no módulo SIA: eliminação inicial (com base na seleção negativa) e classificação evolutiva (com base na seleção clonal). Em ambas as fases, a tarefa de reconhecimento de padrões é realizada usando um conjunto de características extraídas de cada descontinuidade por meio de um detector geneticamente codificado nas células imunológicas. Na tentativa de melhorar o desempenho da classificação, modelos DL, do inglês Deep Learning, os quais envolvem o uso da AlexNet e autoencoders são incorporados com o objetivo de aumentar o número de características extraídas. As experiências realizadas em um conjunto de 727 descontinuidades mostram que a abordagem proposta alcança um F-score de 70,7%, superando cada um de seus módulos sendo executados isoladamente: AlexNet com F-score = 64,86% e SIA com F-score = 66%. Os experimentos mostram ainda que o modelo proposto é capaz de superar classificadores tradicionais como o SVM, cuja melhor configuração alcançou taxas de F-score em torno de 60%. Considerando os desafios impostos pelas condições reais na aquisição de imagens e as baixas taxas de falsos negativos, os resultados mostram que a abordagem proposta pode ser usada para auxiliar os especialistas em seus trabalhos de inspeção ao lidar com imagens PDVD.pt_BR
dc.degree.localCuritibapt_BR
dc.publisher.localCuritibapt_BR
dc.creator.IDhttps://orcid.org/0000-0002-6225-428Xpt_BR
dc.creator.Latteshttp://lattes.cnpq.br/4029543562449304pt_BR
dc.contributor.advisor1Centeno, Tania Mezzadri-
dc.contributor.advisor1IDhttp://orcid.org/0000-0002-6521-2042pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9733090611396955pt_BR
dc.contributor.advisor-co1Delgado, Myriam Regattieri De Biase da Silva-
dc.contributor.advisor-co1IDhttps://orcid.org/0000-0002-2791-174Xpt_BR
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/4166922845507601pt_BR
dc.contributor.referee1Almeida, Carolina Paula de-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/8586489892942437pt_BR
dc.contributor.referee2Fabro, João Alberto-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/6841185662777161pt_BR
dc.contributor.referee3Nievola, Julio Cesar-
dc.contributor.referee3IDhttps://orcid.org/0000-0002-2212-4499pt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/9242867616608986pt_BR
dc.contributor.referee4Silva, Ricardo Dutra da-
dc.contributor.referee4IDhttps://orcid.org/0000-0002-8002-8411pt_BR
dc.contributor.referee4Latteshttp://lattes.cnpq.br/8512085741397097pt_BR
dc.contributor.referee5Centeno, Tania Mezzadri-
dc.contributor.referee5IDhttp://orcid.org/0000-0002-6521-2042pt_BR
dc.contributor.referee5Latteshttp://lattes.cnpq.br/9733090611396955pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétrica e Informática Industrialpt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.subject.capesEngenharia Elétricapt_BR
Aparece nas coleções:CT - Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
sistemaimunologicoartificialsolda.pdf8,25 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.