Dissertação
Industrial Anomaly Detection: Multilabel Classification on textures using MCUs EVALUATED
A deteção de anomalias no contexto industrial é uma tarefa que assume grande relevo, identificando produtos defeitu-osos e efetuando a sua categorização. O presente trabalho pretende explorar a possibilidade de efectuar o treino e teste de modelos de classificação multiclasse em texturas, com importação do modelo para MCUs (e.g., ARM M7). O obje-tivo é importar os modelos mais leves para um microcontrolador efectuar a classificação multiclasse de defeitos em texturas, no âmbito de uma utilização industrial. A revisão sistemática da literatura permitiu conhecer os modelos de machine learning mais usados em deteção de anomalias em produtos industriais e quais os métodos para a deteção de defeitos em texturas. Através da revisão sistemática da literatura foi possível compreender a amplitude de diferentes métodos e respetivas combinações, os métodos usados na classificação multiclasse, as hiperparametrizações e motores de inferência usados no âmbito de adaptações para importação dos modelos para MCUs, as arquiteturas de microcon-troladores mais usadas e algumas técnicas para ultrapassar problemas de memória e inferência associados aos MCUs.
novembro 16, 2023, 11:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
