Inspection and classification of imprints in stamped metal parts using convolutional neural network

In this dissertation we present a framework for the automatic detection of defects in stamped metal parts used in automotive industries. Specifically, we address a production defect known as “imprint” --- protrusions in the direction of stamping mostly formed by the presence of dirt and debris in the stamping material.The fast detection of imprints in the automotive production line is essential to reduce the costs associated with these defects, which depending on their nature and extent, may cause a significant disposal of parts and repairs. Currently the process of inspecting the stamped parts is performed visually by quality inspectors, being a slow process and prone to failures. To assist in this task a study was carried out with two convolutional neural network architectures widely used for image classification, VGG16 and Resnet. The networks classify surfaces into three classes: surfaces without defect, with moderate imprints and severe imprints. In the first experiment the VGG16 network achieved 99.4% accuracy. A classification by using a support vector machine with Gabor filters achieved 80.7% accuracy in the same experiment. In a second experiment, using a more challenging database, we compared variations of the network architectures VGG16 and Resnet. The highest accuracy achieved was of 90.1% using the Resnet architecture. Finally, we performed a test outside a controlled environment in the painting stage, where the Resnet network was able to correctly identify the position of a severe imprint in the vehicle part, demonstrating the versatility of the proposed technique.Nesta dissertação apresentamos um framework para a detecção automática de defeitos em peças metálicas estampadas, utilizadas em indústrias automotivas. Especificamente, abordamos um defeito de produção conhecido como pico --- saliência formada na grande maioria, pela presença de sujeiras e detritos no material de embutimento.A rápida detecção de picos e ajustes na linha de produção automotiva é essencial para diminuir os custos associados a estes defeitos que, dependendo da natureza e extensão, podem causar descartes ou reparos de peças. Atualmente o processo de inspeção das peças estampadas é realizado de forma visual por operadores de qualidade, sendo um processo lento e suscetível a falhas. Para auxiliar nesta tarefa foi realizado um estudo com duas arquiteturas de redes neurais convolucionais amplamente utilizadas para classificação de imagens, a VGG16 e a Resnet. As redes classificam superfícies em três classes: superfícies sem defeito, com pico moderado e com pico severo. No primeiro experimento, foi utilizada a rede VGG16 em um ensaio inicial que atingiu acurácia de 99,4%. Neste mesmo ensaio, uma classificação por uma máquina de vetores de suporte utilizando filtros de Gabor atingiu acurácia de 80,7%. Em um segundo ensaio, utilizando uma base de dados mais desafiadora, comparamos variações das arquiteturas de rede VGG16 e Resnet. A maior acurácia atingida foi de 90,1% com a arquitetura Resnet. Finalmente realizamos um ensaio fora de um ambiente controlado, na etapa de pintura, onde a Resnet foi capaz de identificar corretamente a posição de um pico severo presente na peça, demonstrando a versatilidade da técnica proposta