Linha de pesquisa: Ciência de Dados

Resumo: A termografia infravermelha é amplamente utilizada para a detecção de defeitos em materiais compósitos. No entanto, identificar com precisão 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 BiLSTM. A combinação dessas arquiteturas permite a análise eficiente das características espaciais e temporais das imagens térmicas, melhorando a precisão na 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 Carbon-fiber Reinforced Polymer (CFRP) submetidos a diferentes condições de teste. Os resultados demonstram que o uso combinado de DeepLabv3 e BiLSTM melhora significativamente a precisão da detecção de defeitos, superando técnicas existentes. 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.

Link para a defesa: https://teams.microsoft.com/l/meetup-join/19%3ameeting_OGVmMDliZTItNWNmM...