Apoio à Decisão na Inspeção Industrial: Comparação Sistemática de Algoritmos de Aprendizado de Máquina na Classificação de Defeitos em Chapas de Aço

Vol 57, 2025 - 340860
Trabalho completo (Oral)
Favoritar este trabalho
Como citar esse trabalho?
Resumo

Este trabalho investiga a classificação automática de defeitos em chapas de aço utilizando algoritmos de aprendizado de máquina supervisionado aplicados ao conjunto Steel Plates Faults (UCI). Foram avaliados sete modelos — Regressão Logística, Árvores de Decisão, Random Forest, Gradient Boosting, SVM e KNN — por meio de validação cruzada estratificada 10-fold. O pré-processamento incluiu padronização dos dados e balanceamento com SMOTE, aplicados dentro de cada dobra para evitar vazamento de informação. Um estudo de ablação analisou o impacto dessas etapas. Os resultados mostram que SVM e KNN são altamente dependentes da escala dos dados, enquanto métodos ensemble são mais robustos. O Random Forest apresentou o melhor desempenho no teste (F1 Macro = 0,8307), enquanto o Gradient Boosting se destacou pela estabilidade (F1 = 0,8158). Testes estatísticos indicaram que ambos superam os demais modelos (p < 0,01). Os resultados reforçam a eficácia de métodos ensemble em dados desbalanceados.

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 instituto Federal do Espírito Santo
  • 2 Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo
Eixo Temático
  • POI – PO na Indústria
Palavras-chave
Classificação de defeitos industriais
Aprendizado de máquina
Dados desbalanceados
SMOTE