Classificação de peças mecânicas a partir de visão computacional e aprendizado de máquina utilizando imagens sintéticas

Abstract

Aplicações de aprendizado de máquina para reconhecimento de padrões têm crescido nos últimos anos e, atualmente, uma gama de estruturas e ferramentas permitem um rápido desenvolvimento em diversos domínios. Dentre as principais evoluções destaca-se a utilização de classificação e detecção de objetos em imagens a partir de redes neurais convolucionais profundas (Deep Convolutional Neural Networks). Um dos problemas observados ao desenvolver aplicações de aprendizagem de máquina é a necessidade de um grande volume de dados para treinamento das redes, que necessitam na ordem de centenas, por vezes milhares, de imagens com seus respectivos rótulos (labels). Consequentemente, a parte de processamento de dados é responsável pelo maior consumo de tempo, esforço computacional e manual. Dentro do contexto de aprendizado supervisionado, propõe-se o desenvolvimento de uma arquitetura de sistema para reconhecimento de peças mecânicas com uma solução para a geração de imagens sintéticas a partir dos modelos 3D das peças, através de ferramenta de modelagem gráfica, de maneira automática e escalável. O sistema permite gerar imagens sintéticas, variando diversos parâmetros, como iluminação do ambiente, textura, tamanho e pose das peças geradas no dataset. A validação da proposta baseou-se em alimentar uma rede neural convolucional para a classificação de peças mecânicas. Os testes realizados mostraram que a solução proposta é potencialmente útil para a a problemática de falta de dados no contexto de aprendizado de máquina voltado à classificação por imagens, e pode ser desenvolvida para aplicações em ambientes reais industriais.

Machine learning applications for pattern recognition have grown in recent years, and today, a range of frameworks allow for rapid development in several domains. Among the main developments, the use of classification and detection of objects in images from deep convolutional neural networks stands out. One of the problems observed when developing machine learning applications is the need for a large volume of data for training these networks, which require hundreds, sometimes thousands, of images with their respective labels. Consequently, the data processing part is responsible for the largest consumption of time, computational and manual effort. Within the context of supervised learning, it is proposed to develop a system architecture for the recognition of mechanical parts with a solution for the automatic and scalable generation of synthetic images from the 3D models of the parts, through a graphic modeling tool. The system allows to generate synthetic images, varying several parameters, such as ambient lighting, texture, size and pose of the parts generated in the dataset. The validation of the proposal was based on feeding a convolutional neural network for the classification of mechanical parts with these images. The tests carried out showed that the proposed solution is potentially useful for the problem of lack of data in the context of machine learning aimed at classification by images, and can be developed for applications in real industrial environments.