Características compartilhadas de domínio para inspeção visual de conjuntos mecânicos complexos com base em dados gerados sinteticamente

Embora as metodologias de redes neurais estejam estabelecidas há muito tempo, apenas recentemente alcançaram eficácia excepcional em aplicações práticas, predominantemente devido a melhorias na capacidade computacional do hardware e à grande quantidade de dados disponíveis para aprendizagem. No entanto, desafios substanciais permanecem na utilização de deep learning em muitos domínios, principalmente por causa da falta de grandes quantidades de dados rotulados que sejam versáteis o suficiente para que modelos de deep learning aprendam informações úteis. Por exemplo, na inspeção de conjuntos mecânicos, anotar dados para cada tipo de peça mecânica para treinar um modelo de deep learning pode ser muito trabalhoso. Além disso, é necessário anotar dados após cada modificação na especificação da peça mecânica. Também, o sistema de inspeção normalmente não está disponível até que as primeiras amostras sejam fabricadas para coleta de dados. Este artigo propõe uma solução para esses desafios no caso da inspeção visual de conjuntos mecânicos, processando dados de nuvem de pontos adquiridos via scanner tridimensional (3D). Para reduzir a necessidade de rotulagem manual de grandes quantidades de dados, empregamos dados gerados sinteticamente tanto para treinamento quanto para validação, reservando os dados reais do sensor exclusivamente para a fase de teste. Nossa abordagem reduz a necessidade de grandes quantidades de dados rotulados usando nuvens de pontos geradas sinteticamente a partir de modelos CAD para treinamento da rede neural. A discrepância de domínio é um desafio significativo para o uso de dados gerados sinteticamente. Para reduzir essa discrepância, utilizamos diferentes técnicas de pré-processamento, bem como uma arquitetura de rede neural que enfatiza características compartilhadas que não mudam significativamente entre dados gerados sinteticamente e dados reais do sensor 3D.