Introdução

Durante a Sprint 4, nossa equipe iniciou o desenvolvimento do backend da aplicação, que desempenhará um papel crucial no armazenamento de imagens dos tubos entupidos após o processamento pela Inteligência Artificial (I.A). A implementação desse backend visa fornecer aos funcionários da Atvos um acesso facilitado a essas imagens, permitindo uma análise precisa para verificar se os tubos realmente estão obstruídos. Esse processo não só melhora a eficiência na identificação de problemas, como também facilita a tomada de decisões rápidas e informadas sobre a necessidade de manutenção.

Além de servir como uma ferramenta de verificação imediata, o backend tem um papel vital no aprimoramento contínuo da I.A. As imagens armazenadas no banco de dados serão usadas para aumentar o conjunto de dados de treinamento da I.A, melhorando sua capacidade de identificar tubos entupidos com maior precisão. Com uma base de dados robusta e diversificada, a I.A poderá aprender com diferentes tipos de obstruções e condições dos tubos, o que resultará em uma maior acurácia e eficiência na detecção de problemas futuros.

O projeto principal envolve o desenvolvimento de um robô especializado em detectar sujeira nos tubos do reboiler. Equipado com uma câmera e algoritmos de I.A., o robô inspeciona os tubos, captura imagens e identifica possíveis obstruções. Essas imagens são então processadas e armazenadas no banco de dados através do backend que estamos desenvolvendo. Esse sistema integrado não apenas permite uma análise detalhada e eficiente por parte dos funcionários, mas também contribui significativamente para o contínuo aprimoramento da tecnologia de I.A., garantindo uma manutenção mais eficaz e uma operação mais suave na planta da Atvos.

Para o modelo YoloV8, utilizamos um dataset de nossa autoria, desenvolvido especificamente para abordar melhor o problema de detecção de sujeira nos tubos. Embora o YoloV8 não tenha sido criado por nossa equipe, ele foi escolhido por sua eficácia e precisão na detecção de objetos. O uso desse modelo, combinado com nosso dataset personalizado, permite uma identificação mais precisa e confiável das obstruções, refletindo as condições reais encontradas na planta da Atvos.

Tecnologias

Afim de que a identificação de tubos sujos nas imagens recebidas pelo robô, implementamos o modelo YoloV8, com nosso dataset de autoria própria afim de conseguir com êxito identificar os tubos. A principal tecnologia utilizada foi a biblioteca Yolo do Python.

warning

Python tem de estar na versão 3.11, qualquer outra versão terá problemas no TREINAMENTO apenas

1. YoloV8

• Utilizado para a detecção de sujeira nos tubos com base nas imagens capturadas pelo robô.
• Escolhemos YoloV8 devido à sua eficácia e precisão na detecção de objetos, características essenciais para nosso objetivo de identificar obstruções nos tubos do reboiler.
• O YoloV8 oferece uma alta taxa de acerto e rapidez no processamento de imagens, o que é crucial para a operação em tempo real necessária na planta da Atvos.
• Utilizamos um dataset de nossa autoria para treinar o YoloV8, garantindo que ele seja ajustado especificamente para o problema de detecção de sujeira nos tubos. Isso nos permite obter um modelo altamente especializado e eficaz nas condições reais da planta.
• A arquitetura avançada do YoloV8 proporciona uma balanceada combinação entre precisão e velocidade, fatores críticos para aplicações industriais onde a detecção rápida e precisa pode evitar paralisações e aumentar a eficiência operacional.

2. Roboflow

• Utilizado para a preparação e gerenciamento do dataset, facilitando a anotação e organização das imagens de treino.
• Escolhemos o Roboflow por sua interface intuitiva e suas poderosas ferramentas de pré-processamento de dados, que nos permitiram criar um dataset de alta qualidade para treinar o modelo YoloV8.
• A plataforma Roboflow também oferece suporte para a exportação de datasets em vários formatos, compatíveis com diferentes frameworks de machine learning, incluindo o YoloV8.

Em relação a parte da I.A, foi apenas usado o Yolo para treinamento e o Roboflow para fazer o dataset de forma que o Yolo consiga ser treinado.

Utilização do YoloV8 e Roboflow

Para a implementação da detecção de sujeira nos tubos, utilizamos tecnologias avançadas como o YoloV8 e o Roboflow. O processo de criação envolveu várias etapas importantes:

1. Preparação do Dataset com Roboflow

• Inicialmente, utilizamos o Roboflow para preparar e gerenciar nosso dataset, facilitando a anotação e organização das imagens de treino.
• Escolhemos o Roboflow por sua interface intuitiva e suas poderosas ferramentas de pré-processamento de dados, que nos permitiram criar um dataset de alta qualidade.
• A plataforma Roboflow oferece suporte para a exportação de datasets em vários formatos, compatíveis com diferentes frameworks de machine learning, incluindo o YoloV8.

info

O dataset que foi utilizado está disponível aqui, sinta-se livre para utilizá-lo de acordo com suas necessidades.

2. Escolha e Configuração do YoloV8

• Escolhemos o YoloV8 devido à sua eficácia e precisão na detecção de objetos, características essenciais para nosso objetivo de identificar obstruções nos tubos do reboiler.
• O YoloV8 oferece uma alta taxa de acerto e rapidez no processamento de imagens, o que é crucial para a operação em tempo real necessária na planta da Atvos.
• Configuramos o YoloV8 para integrar-se perfeitamente com nosso pipeline de dados, garantindo que as imagens capturadas pelo robô fossem processadas de maneira eficiente.

3. Treinamento do Modelo

• Utilizamos um dataset de nossa autoria para treinar o YoloV8, garantindo que ele fosse ajustado especificamente para o problema de detecção de sujeira nos tubos.
• O treinamento foi realizado com um foco na maximização da precisão e eficiência do modelo, considerando as condições reais encontradas na planta da Atvos.
• A arquitetura avançada do YoloV8 proporcionou uma balanceada combinação entre precisão e velocidade, fatores críticos para aplicações industriais onde a detecção rápida e precisa pode evitar paralisações e aumentar a eficiência operacional.

info

Atualmente estamos utilizando um modelo de tamanho "L" (large), de acordo com o projeto, o tamanho do mesmo pode mudar entre os disponíveis (N, S, L, X)

4. Validação e Testes

• Realizamos extensivos testes para validar a precisão e a robustez do modelo YoloV8.
• Avaliamos o desempenho do modelo em condições variadas para garantir sua confiabilidade e eficiência em diferentes cenários de obstrução dos tubos.

5. Integração com o Sistema

• Integrado com o backend desenvolvido, o YoloV8 processa as imagens capturadas pelo robô e identifica possíveis obstruções.
• As imagens processadas e os resultados das detecções são então armazenados no banco de dados, permitindo uma análise detalhada e eficiente por parte dos funcionários.
• O Yolo apenas processa as imagens quando um botão no Frontend é pressionado, afim de evitar sobrecarregamento do sistema e possíveis crashes

O uso combinado do YoloV8 e Roboflow resultou em uma solução robusta e eficiente, capaz de identificar com precisão as obstruções nos tubos, proporcionando uma base sólida para o aprimoramento contínuo da tecnologia de I.A.

Bibliotecas utilizadas para treinamento

Para o desenvolvimento e validação do modelo YoloV8, utilizamos um conjunto específico de bibliotecas e métodos que foram essenciais para garantir a precisão e eficiência do modelo. As principais bibliotecas utilizadas foram:

1. Ultralytics

• Utilizada para acessar e implementar o modelo YoloV8.
• Oferece uma interface simples e eficiente para treinar, validar e inferir com o modelo YoloV8.
• Facilita o processo de configuração e ajuste dos parâmetros do modelo, garantindo um desempenho otimizado.

2. Torch

• Biblioteca fundamental para a criação e treinamento de modelos de deep learning.
• Proporciona funcionalidades avançadas para operações tensoriais e algoritmos de aprendizado de máquina.
• Essencial para o backend do YoloV8, permitindo o treinamento eficiente e a inferência rápida.

Essas bibliotecas foram escolhidas por suas funcionalidades avançadas e sua capacidade de integrar-se perfeitamente com o nosso pipeline de desenvolvimento, garantindo uma solução robusta e eficiente para a detecção de obstruções nos tubos.

Estrutura e Explicação do Código YoloV8

A seguir, detalharemos a estrutura do código YoloV8 utilizado no projeto, separando-o em diferentes seções: Preparação do Ambiente, Treinamento e Validação. Cada parte será explicada para facilitar a compreensão da sua funcionalidade e organização.

1. Preparação do Ambiente

A preparação do ambiente é uma etapa crucial para garantir que todas as dependências e bibliotecas necessárias estejam instaladas e configuradas corretamente. Utilizamos o seguinte código para essa etapa:

from ultralytics import YOLO
import cv2
import os

• ultralytics: Importamos a biblioteca Ultralytics para acessar e implementar o modelo YoloV8.
• cv2: Utilizamos a biblioteca OpenCV (cv2) para manipulação de imagens e processamento visual.

2. Treinamento do Modelo

Nesta seção, configuramos e treinamos o modelo YoloV8 usando nosso dataset específico. O código a seguir foi utilizado:

model = YOLO("yolov8n.pt")

result = model.train(data="Tacomare.v1i.yolov8/data.yaml", epochs=100, device="mps")

• Modelo YoloV8: Inicializamos o modelo YoloV8 utilizando um modelo pré-treinado (yolov8n.pt).
• Treinamento: Configuramos o treinamento do modelo, especificando o caminho para o arquivo de configuração do dataset (data.yaml), o número de épocas (epochs=100) e o dispositivo de treinamento (device="mps").

info

O dispositivio de treinamento device="mps" é referente a GPU de dispositivos Apple com Chip Apple Silicon, para outros dipositivos cheque a documentação do Yolo aqui

3. Validação do Modelo

Após o treinamento, validamos o modelo para assegurar que ele performa conforme o esperado. Utilizamos o seguinte código para essa etapa:

model = YOLO("runs/detect/train/weights/best.pt")

metrics = model.val() 
metrics.box.map 
metrics.box.map50 
metrics.box.map75 
metrics.box.maps  

• Carregar Modelo Treinado: Carregamos o modelo treinado a partir do caminho onde os pesos do melhor modelo foram salvos (best.pt).
• Validação: Realizamos a validação do modelo utilizando o método val(), que avalia o desempenho do modelo em um conjunto de dados de validação.
• Métricas de Desempenho: Extraímos diversas métricas de desempenho, como map50-95, map50, map75, que indicam a precisão média do modelo em diferentes limiares de interseção sobre união (IoU).

Resumo

A estrutura do código YoloV8 é organizada em etapas claras e sequenciais para garantir um fluxo de trabalho eficiente e eficaz. Desde a preparação do ambiente até o treinamento e validação do modelo, cada seção desempenha um papel crucial no desenvolvimento de uma solução robusta para a detecção de obstruções nos tubos.

Conclusão

O desenvolvimento do nosso sistema de detecção de sujeira em tubos utilizando YoloV8, integrado com um backend robusto e tecnologias de gerenciamento de dados avançadas, resultou em uma solução eficaz e eficiente. Todo o processo, desde a preparação do dataset até o treinamento e validação do modelo, foi cuidadosamente planejado e executado para garantir a precisão e confiabilidade do sistema.

Principais Motivos para Utilizar o YoloV8

1. Alta Precisão:

   • O YoloV8 é reconhecido por sua alta precisão na detecção de objetos, o que é essencial para identificar obstruções nos tubos com exatidão.

2. Rapidez no Processamento:

   • A arquitetura do YoloV8 é otimizada para processamento rápido, permitindo a análise em tempo real das imagens capturadas pelo robô.

3. Facilidade de Integração:

   • YoloV8 oferece uma interface amigável e flexível, facilitando a integração com outras tecnologias e sistemas, como o backend desenvolvido com FastAPI e TinyDB.

4. Adaptabilidade:

   • O YoloV8 pode ser treinado com datasets personalizados, como o nosso dataset específico de sujeira em tubos, resultando em um modelo altamente ajustado para as necessidades do projeto.

5. Escalabilidade:

   • A estrutura modular do YoloV8 e suas bibliotecas associadas permitem uma fácil manutenção e expansão do sistema, garantindo sua longevidade e capacidade de evolução conforme as necessidades crescem.

Resumo do Projeto

1. Preparação do Ambiente:

   • Configuramos um ambiente de desenvolvimento robusto, instalando todas as bibliotecas e dependências necessárias para o treinamento do YoloV8.

2. Treinamento do Modelo:

   • Utilizamos o YoloV8, treinado com um dataset preparado via Roboflow, para detectar com precisão as obstruções nos tubos.

3. Validação e Testes:

   • Realizamos uma validação rigorosa do modelo, assegurando sua precisão e eficiência em diferentes cenários.

4. Integração com o Sistema:

   • O modelo treinado foi integrado ao nosso backend, onde processa imagens em tempo real e armazena os resultados e uma base de dados para análise posterior.

Benefícios Obtidos

• Eficiência Operacional:

  • A detecção precisa de obstruções nos tubos melhora significativamente a eficiência operacional da planta, evitando paralisações e reduzindo o tempo de manutenção.

• Tomada de Decisão Informada:

  • Com acesso a dados precisos e em tempo real, os funcionários da Atvos podem tomar decisões rápidas e informadas sobre a necessidade de manutenção.

• Aprimoramento Contínuo:

  • As imagens e dados armazenados não só ajudam na detecção imediata de problemas, mas também contribuem para o contínuo aprimoramento do modelo de I.A., tornando-o cada vez mais preciso e eficiente.

Em conclusão, a utilização do YoloV8, suportada por um backend bem estruturado e um dataset de alta qualidade, proporcionou uma solução robusta e escalável para a detecção de obstruções em tubos. Essa abordagem não só atende às necessidades atuais da planta da Atvos, mas também prepara o terreno para melhorias contínuas e futuras expansões do sistema.

Vale ressaltar que futuramente a Atvos poderá estár adicionando imagens que abrangem melhor o problema descrito, fazendo com que a solução fique melhor adaptada ao problema proposto.