(1) Engenharia Elétrica, D.Sc., Professor Titular do IFES, Programa de Pós-Graduação
em Engenharia Metalúrgica e Materiais, IFES, Vitória, ES, Brasil
(2) Engenharia Metalúrgica e de Materiais, M.Sc., Programa de Pós-Graduação em
Engenharia Metalúrgica e Materiais, IFES, Vitória, ES, Brasil
USO DE REDES NEURAIS NA INTERPRETAÇÃO DE ANÁLISES DE ULTRASSOM E CLASSIFICAÇÃO DE DESCONTINUIDADES EM HASTES E
ENGATES DE VAGÕES FERROVIÁRIOS
Marcelo Lucas Pereira Machado (1) Mateus Ciríaco Amaral (2)
RESUMO
A técnica de análise não-destrutiva por ultrassom é utilizada no ramo ferroviário para inspecionar em campo as hastes e engates que ligam os vagões uns aos outros. É de suma importância a detecção de trincas críticas na composição durante manutenção preditiva, a fim de evitar que a mesma se rompa durante uma viagem. O ensaio, no entanto, requer atenção especial pois não são detectadas somente trincas, mas também descontinuidades da natureza da peça, como a presença de furos e ecos de fundo. Cuidado adicional no ensaio do material pode impactar na velocidade da linha de produção, dependendo do grau de experiência do operador do equipamento de ultrassom. Além disso, um chão de fábrica de tamanho considerável requer múltiplos inspetores de ultrassom, introduzindo subjetividade ao processo.
Uma Rede Neural Artificial implementada adequadamente pode auxiliar na identificação das descontinuidades nas peças de interesse, provido um treinamento prévio baseado em histórico de análises anteriores. O objetivo deste trabalho foi elaborar e aplicar uma rede neural programada em Python, para que seja capaz de prever, diretamente pelos relatórios do equipamento de ultrassom, a presença ou não de trincas críticas que apresentem perigo à composição. A partir do processamento de imagens registradas em A-Scan pelo aparelho de ultrassom Phasor XS (General Electric), foi elaborado um banco de dados com os valores codificados (variáveis de entrada) e valores binários indicando a presença ou não de criticidades nas peças (variável de saída). Esses dados foram inseridos em uma rede neural do tipo Multi-Layer Perceptron, com configuração 20-36-1 e ativações logísticas. O modelo parcial apresenta um percentual de predições corretas de cerca de 97%, estabelecendo ótima correlação entre o aprendizado da rede e a presença de descontinuidades críticas nas peças metálicas.
1. INTRODUÇÃO
Em operação, os vagões ferroviários sofrem esforços cíclicos de tração e compressão nos componentes metálicos que os ligam entre si e às locomotivas que conduzem o trem. Esses componentes são chamados de hastes (quando estabelecem conexões rígidas) ou engates (quando dotados de mecanismos de acoplamento), e são construídos em aço fundido, possuindo furos e encaixes em suas geometrias, a fim de permitir fixação em peças estruturais e alojamento de outras partes metálicas [1].
Embora projetadas visando grande resistência mecânica, após muitos ciclos de translado, as hastes e engates acabam sofrendo esforços suficientes para nuclear trincas por fadiga. Tais peças, caso continuem empregadas em uma composição, podem vir à ruptura caso suas trincas (então recém-formadas) cresçam em tamanho e atinjam dimensões críticas.
Assim, para evitar a fratura dessas peças durante o funcionamento de um trem, é comum que oficinas de manutenção de ativos ferroviários utilizem técnicas de inspeção preventivas e preditivas, para monitorar o crescimento de trincas e condenar materiais cujas trincas ultrapassem um tamanho crítico, antes que os mesmos se rompam em atividade.
Uma técnica muito utilizada para esta finalidade é a inspeção por ultrassom, feita com equipamentos portáteis na própria linha de manutenção das oficinas [2]. O inspetor realiza a varredura de todas as hastes ou engates das composições que estiverem estacionadas, certificando-se de que as mesmas não deixem a oficina com trincas de tamanho crítico (tamanho a partir do qual seu crescimento não pode ser controlado, gerando risco de falha iminente). Durante a inspeção, qualquer peça que contenha trincas de tamanho além do permitido pode ser substituída por uma nova antes da liberação do trem.
No entanto, o procedimento de varredura leva uma certa quantidade de tempo e exige um alto nível de cuidado do operador de equipamento, pois nem sempre o aparelho facilita a visualização de uma trinca, por muitas vezes se confundindo com demais ruídos (ver Seção 1.1). Também, uma oficina de tamanho considerável, que acomoda muitos vagões e opera 24 horas por dia requer o emprego de múltiplos inspetores – sendo assim, é possível que nem todos possuam o mesmo grau de instrução ou nível de cuidado, além de estarem expostos a diferentes fatores externos.
Os pontos levantados sugerem que o procedimento de ensaio in loco das hastes e engates por ultrassom pode ser otimizado tanto em relação à velocidade e eficiência do processo, quanto à redução do fator de subjetividade. Para isso, este trabalho propõe a implementação de um modelo computacional auxiliar, capaz de inferir resultados em tempo real, assistindo os inspetores durante tomadas de decisão, reduzindo o tempo médio necessário para cada análise e margens para erros de natureza humana. É sugerida a criação de um modelo utilizando Redes Neurais Artificiais (RNAs), onde a mesma aprenda a classificar a existência ou não de trincas críticas a partir de um banco de dados constituído do histórico de análises reais de ultrassom.
Trabalhos similares mostram que redes neurais artificiais podem ser implementadas na otimização de processos em trabalhos similares, com altas taxas de sucesso: Nazário et al. (2009) aplicaram RNAs na inspeção por ultrassom para detectar, com acurácia próxima de 95%, possíveis adulterações em leite bovino pela detecção dos diferentes teores de água e gordura contidos no leite, correlacionando os teores com a qualidade final do produto [3]. Já Marcomini (2017) utilizou de RNAs para a classificação de nódulos em banco de imagens de ultrassonografia mamária, obtendo taxas de sucesso dentre 90% e
94,2% [4]. Costar et al. (2018) também empregaram redes neurais na identificação do estágio de propagação de trincas por fadiga em corpos rígidos tubulares, a partir de uma técnica similar de inspeção (a emissão acústica), onde verificaram um percentual de acertos de cerca de 82,9% [5].
1.1. A Técnica de Inspeção por Ultrassom
Denominam-se Ensaios Não-Destrutivos (ENDs) um conjunto de técnicas utilizadas na inspeção de materiais que não alteram suas propriedades físicas, químicas, mecânicas ou dimensionais de forma permanente [6]. São técnicas de análise de suma importância em setores industriais, por serem ferramentas de controle de qualidade que permitem testar peças e equipamentos, muitas vezes em campo, sem danificá-los.
A análise por ultrassom, uma das principais técnicas dentre os ENDs, é baseada na propagação e reflexão de ondas acústicas pelo interior de uma peça, emitidas por cristais que vibram em frequências acima do audível, que se propagam por meios sólidos até serem transmitidas para fora do material ou refletidas por alguma descontinuidade, como as interfaces entre os meios (ecos de fundo), geometria natural da peça (e.g.: furos em componentes metálicos) ou defeitos internos (no caso, as trincas).
Dentre os diversos modos de varredura de um aparelho de ultrassom, o mais simples é conhecido como A-Scan [7], método em que o sinal refletido é captado por um elemento transdutor e exibido pelo equipamento como uma imagem correlacionando intensidade em função do tempo ou profundidade (Figura I):
Figura I. Representação esquemática da varredura “pulso-eco” (A-Scan)
E a partir da comparação dos espectros de ultrassom entre peças-padrão e peças com defeitos de mesmo formato, é possível verificar que picos não existentes no padrão se correlacionam com a existência de descontinuidades na peça defeituosa.
A inspeção por ultrassom apresenta muitas vantagens em relação a outros tipos de ensaio, como a possibilidade de ensaio in loco, portabilidade do equipamento, resultados rápidos e até mesmo custo operacional. Todavia, essa inspeção requer grande conhecimento teórico e experiência por parte do operador do equipamento – peças de formato complexa podem ser difíceis de varrer, e trincas podem ser camufladas em meio a descontinuidades de natureza geométrica. A eficiência do processo de inspeção preventiva por ultrassom vem aumentando conforme são introduzidos no mercado aparelhos modernos que apresentem novas tecnologias de transdutores (e.g.: múltiplos cristais em phased array), funções adicionais (como a captura de relatórios em campo e transmissão de dados em rede local) e portabilidade em geral (i.e.: aparelhos com baterias
melhores e dimensões reduzidas). Eventualmente, acredita-se também ser possível aliar as tecnologias de ultrassom com modelos computacionais capazes de auxiliar o inspetor em campo, conforme sugerido neste trabalho, aumentando ainda mais a eficiência do processo.
1.2. Modelos baseados em Redes Neurais Artificiais
Denomina-se de rede neural artificial um modelo matemático capaz de adquirir conhecimento por meio do exemplo, inspirado na estrutura neural de organismos inteligentes [8]. Uma das primeiras RNAs surgiu em 1956, criada pelo psicólogo americano Frank Rosenblatt, conhecida como o Perceptron [9]. As redes do tipo perceptron são capazes de realizar classificações binárias para problemas de solução lineares, e logo em sua primeira versão, já eram capazes de reconhecer caracteres da língua inglesa.
O perceptron sozinho, no entanto, tem aplicação restrita devido às limitações de classes binárias e problemas separáveis linearmente. Modelos mais complexos surgiram a partir do uso de vários neurônios em paralelo, em várias camadas ligadas densamente. Um destes novos modelos (Figura II) é conhecido como Multi-Layer Perceptron (MLP).
Figura II. Estrutura de uma rede neural artificial do tipo MLP
Os perceptrons de múltiplas camadas são muito utilizados em problemas de aprendizado supervisionado (i.e.: as redes são treinadas em pares de entradas-saídas para modelar correlações ou dependências entre os dados apresentados). O aprendizado se dá por ciclos de treinamento da rede, processo composto por duas etapas: uma denominada feedforward (propagação dos impulsos (dados) para a próxima camada), outra denominada backpropagation (correção de erros de trás para frente, pelo ajuste dos pesos e vieses da rede). 1.3. Implementação do Modelo Computacional em Python
Com o advento da Indústria 4.0, é crescente o interesse do mercado pela área de aprendizado de máquina. Pesquisadores e cientistas de dados têm utilizado ferramentas computacionais para a modelagem de problemas e estudos de novas tecnologias, dentre elas, linguagens de programação que permitem a manipulação direta de múltiplas funções de um computador, incluindo tarefas de automação (como a criação e aplicação de redes neurais).
A linguagem Python foi criada por Guido van Rossum, em 1991 [10], visando enfatizar o esforço do programador sobre o esforço computacional. Por ser uma linguagem de aprendizado simples, propósito geral, fácil legibilidade e alto nível de abstração, o Python vem sendo cada vez mais adotado por pesquisadores. Ainda, a linguagem apresenta vantagens consideráveis se comparada a
soluções como o MatLab ou Statistica, principalmente pelo custo zero, código aberto, e compatibilidade com vários dispositivos e vários sistemas operacionais. Por apresentar código aberto, existem vários esforços advindos da comunidade na criação e manutenção de conjuntos de algoritmos prontos (denominados “bibliotecas”) que facilitem o uso da linguagem para determinadas aplicações. Para tarefas envolvendo aprendizado de máquina, uma biblioteca muito utilizada é o Scikit-Learn [11], por apresentar diversos algoritmos pré-construídos, de fácil uso (poucas linhas de código), reduzindo o tempo que um pesquisador levaria apurando seu próprio programa e permitindo que o usuário dê um maior enfoque à modelagem do problema.
Também é possível utilizar o Scikit-Learn para avaliar o desempenho do modelo em questão. Assim, um único programa em Python pode tratar os dados, treinar a rede, aferir as métricas de desempenho e simular o problema com dados desconhecidos. A fim de quantificar o desempenho e estabelecer comparações por benchmarking, precisam ser definidos critérios estatísticos relevantes. Para trabalhos envolvendo tarefas de classificação, uma tabela denominada matriz de confusão é comumente utilizada [12], derivando métricas de suporte como a acurácia, a precisão e o recall [13]. Além disso, um estimador simples conhecido como modelo dummy geralmente é empregado [14], a fim de estabelecer uma linha de base para critérios comparativos.
2. DESENVOLVIMENTO 2.1. Metodologia
Foram coletados 1222 relatórios do equipamento Phasor XS (General Electric) referentes a análises de hastes/engates de vagões ferroviários. As amostras foram manualmente classificadas, onde encontrou-se 102 peças com trincas de tamanho crítico (8,35% da amostragem total).
Após classificados, os relatórios foram codificados em vetores numéricos representativos das intensidades de sinal na região do A-Scan (Figura III), de forma automática por um algoritmo em Python de elaboração própria.
Figura III. Fluxo esquemático do tratamento e conversão das imagens
Até o presente momento, a rede neural foi projetada com um número N de entradas igual a 20 (dimensão dos vetores codificados) – é possível aumentar a resolução das entradas a um custo extra de tempo e processamento.
Um segundo algoritmo em Python foi construído para a elaboração do modelo computacional propriamente dito. Foi escolhida uma rede perceptron de
múltiplas camadas, de configuração 20-36-1 (i.e.: 20 neurônios na camada de entrada, 36 na camada escondida e 1 na camada de saída) e ativações logísticas. Uma tolerância ao decréscimo do erro de 10-7 foi implementada – a rede treina um máximo de 10000 iterações ou até atingir o critério de tolerância. Os demais hiperparâmetros do modelo MLP foram deixados como padrão do módulo Scikit-Learn.
Após realizado o treinamento com os pares vetoriais de intensidade e classificação, a rede foi avaliada por uma matriz de confusão e métricas de suporte. Ainda, o modelo foi comparado com estimadores dummy desenvolvidos para benchmark, e validado por trabalhos similares [3,4,5] e com estimadores
dummy desenvolvidos para benchmark.
2.2. Resultados e Discussões
A rede MLP foi treinada 5 vezes a partir do zero, e os resultados observados foram resumidos na Tabela I. Adotou-se o modelo que obteve o melhor percentual de acertos na classificação (no caso, a Rede 1). Vale notar que as diferenças entre cada procedimento de treino, mesmo com os mesmos parâmetros, se dão pela inicialização aleatória dos pesos e vieses de cada rede.
Tabela I. Treinamento de 5 redes MLP 20-36-1, inicializadas aleatoriamente
Rede 1 2 3 4 5
Acertos (%) 97,3813 95,1718 97,1358 96,9722 97,2995 Épocas 2195 682 2483 1907 1798
Perdas 0,0656 0,1138 0,0629 0,0713 0,0693
Onde a taxa de acertos (definida a seguir como acurácia) representa a probabilidade de o modelo acertar na classificação sugerida, o número de épocas significa quantas iterações de feedforward e backpropagation uma rede realizou até sua parada, e as perdas representam a função de custo do modelo (denominada como log-loss) em seu valor mínimo, alcançado imediatamente antes da parada da rede.
Utilizando a Rede 1, elaborou-se uma matriz de confusão entre as classificações reais dos relatórios e a classificação sugerida pelo modelo (Tabela II). A matriz elaborada separa as 1222 amostras analisadas a partir do cruzamento entre as classes reais (a existência ou não, de fato, das descontinuidades críticas nas peças) com as classes propostas pelo modelo a partir da leitura das imagens.
Tabela II. Matriz de confusão utilizando a Rede 1 como modelo Previsto
Negativo Positivo
Real Negativo 1103 (TN) 17 (FP) Positivo 15 (FN) 87 (TP)
Obs.: A classificação positiva se refere à existência de trincas críticas.
As indicações entre parênteses se referem as classificações de cada célula como verdadeiros positivos e negativos, ou falsos positivos e negativos.
A partir da interpretação da matriz, com o auxílio das métricas de suporte, é possível verificar a taxa de acertos do modelo (acurácia), mas também o percentual de relevância das trincas classificadas como existentes (precisão) e o percentual efetivo de captura das trincas reais (recall) [13]. Para isso, é necessário entender o significado de cada célula dentro da matriz binária:
a) os verdadeiros positivos (true positives, TP) são valores da classe real positiva, classificados corretamente pelo modelo;
b) os verdadeiros negativos (true negatives, TN) são valores da classe real negativa, classificados corretamente pelo modelo;
c) os falsos positivos (false positives, FP) são valores da classe real negativa, classificados erroneamente pelo modelo como positivos – estes contribuem para um erro estatístico denominado Erro de Tipo I [15];
d) os falsos negativos (false negatives, FN) são valores da classe real positiva, classificados erroneamente pelo modelo como negativos – estes contribuem para um erro estatístico denominado Erro de Tipo II [15]. A acurácia leva em consideração os acertos do modelo (TP e TN) em relação ao total de amostras. Conforme a Equação I:
𝑎𝑐𝑢𝑟á𝑐𝑖𝑎 = 𝑇𝑁 + 𝑇𝑃 (𝑇𝑁 + 𝐹𝑁 + 𝑇𝑃 + 𝐹𝑃)⁄ (I) A partir dos dados da matriz, obteve-se uma acurácia de 97,38% – resultado teoricamente impressionante, por estar próximo de 100%. No entanto, o percentual alto de acertos já era esperado devido à desproporcionalidade amostral dentre as classes positivas e negativas do estudo. Sendo a existência de trincas críticas apenas 8,35% do total, métricas exclusivas à classe positiva se fazem necessárias.
A precisão é um dos percentuais exclusivos à classe positiva – neste caso, há o interesse em saber a relevância média das amostras que foram classificadas como críticas pela rede. Segundo a Equação II:
𝑝𝑟𝑒𝑐𝑖𝑠ã𝑜 = 𝑇𝑃 (𝑇𝑃 + 𝐹𝑃)⁄ (II) Conforme os dados da matriz, a precisão obtida foi de 83,35%. Este valor indica que 16,65% das amostras classificadas positivamente pela rede não necessariamente apresentam trincas críticas, constituindo o Erro Estatístico de Tipo I. Para o exemplo de aplicação deste estudo, isso estaria correlacionado ao custo relativo à troca prematura das hastes/engates nos vagões.
Outra métrica exclusiva à classe positiva seria o recall, ou a sensibilidade da rede à captura das amostras críticas. O recall é dado pela Equação III:
𝑟𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃 (𝐹𝑁 + 𝑇𝑃)⁄ (III) E para os dados resultados deste trabalho, o recall aferido foi de 85,29%. Isto significa que do universo de trincas críticas a serem capturadas, o modelo pode classificar como falsos negativos 14,71% delas, constituindo o Erro Estatístico de Tipo II. Aplicado ao exemplo do estudo, isso se correlaciona ao custo relativo à manutenção emergencial da composição e, também importante, aos impactos socioeconômicos que representam o fracionamento de um trem em operação. Levando em consideração o contexto do trabalho, fica clara a maior importância do Erro de Tipo II (comparado ao Tipo I) – estudos de otimização de algoritmos para aplicações similares devem optar por maximizar o recall, desde que as outras métricas mantenham-se aceitáveis dependendo da finalidade.
Para critérios avaliativos, a Rede 1 também foi comparada com modelos matemáticos conhecidos como estimadores dummy (falsos/postiços). Apesar de serem utilizados em trabalhos envolvendo aprendizado de máquina, os modelos
dummy na verdade não tem capacidade de inteligência, funcionando como
estimadores probabilísticos [14].
Dependendo da estratégia adotada em um estimador postiço, o mesmo classificará uma amostra ao acaso – sendo a probabilidade de cada chute controlável pelo usuário. Três estratégias foram utilizadas neste trabalho:
a) Uma estratégia “estratificada” irá prever os resultados de forma aleatória, respeitando a distribuição de classificações do banco de dados inicial (e.g.:
o modelo arriscará uma classificação positiva 91,65% das vezes, visto que esse é o percentual da maior classe na amostragem);
b) Uma estratégia “mais frequente” irá sempre arriscar a classificação que mais aparecer dentro do banco de dados utilizado no treinamento (e.g.: no caso deste estudo, a classe negativa quanto à presença de criticidades); c) Uma estratégia “uniforme” irá sempre prever os resultados de forma
aleatória, respeitando chances iguais (e.g.: probabilidade de 50% para classificações positivas ou negativas).
Como os estimadores dummy independem das variáveis de entrada, é possível utilizar os modelos como linhas de base em benchmarks envolvendo algoritmos inteligentes, onde é possível quantificar o efeito do aprendizado a partir de melhorias visualizadas nas métricas de interesse. Esses classificadores ainda servem como testes de sanidade para a abordagem estatística do estudo, pois qualquer resultado que fuja do esperado estatisticamente mostra que existe algum erro na implementação do algoritmo.
Dadas as 3 estratégias supracitadas, é possível contrastar as métricas obtidas pela Rede 1 com o desempenho dos classificadores dummy. Os resultados foram apresentados na Tabela III:
Tabela III. Métricas para a Rede 1 e estimadores dummy selecionados Acurácia Precisão Recall Rede 1 97,38 83,65 85,29 Dummy (estratificada) 83,39 8,94 10,78 Dummy (mais frequente) 91,65 0,00* 0,00
Dummy (uniforme) 49,75 7,89 47,06
Obs.: Todos os valores percentuais (%).
* A precisão para o estimador “mais frequente” é matematicamente indefinida (vide Equação II), porém adotada como zero (0) para fins práticos.
Onde pode-se notar que a Rede 1 apresentou melhoras em todas as três métricas de desempenho adotadas na avaliação dos modelos – resultado do aprendizado da rede MLP conforme novos exemplos foram sendo apresentados na etapa de treinamento. Em relação aos estimadores dummy, houve uma melhoria relativa de 16,77% na acurácia a partir da linha de base mais alta (a estratégia “mais frequente”), de 835,68% na precisão a partir da estratégia “estratificada”, e de 81,23% no recall a partir da estratégia “uniforme”.
Também é interessante observar que as três métricas em conjunto se fazem necessárias. Analisando isoladamente os modelos postiços, verifica-se que:
a) A estratégia “mais frequente” apresenta a maior taxa de acertos no geral. No entanto, ela literalmente não captura nenhuma trinca crítica, fugindo do objetivo deste trabalho. Em resposta a esse fato, as métricas que priorizam a classe positiva são todas iguais a zero (e no caso da precisão, matematicamente indefinidas);
b) As estratégias “estratificada” e “uniforme” apresentam valores próximos de precisão, diferença que pode ser influenciada pelo tamanho da amostragem (visto que apenas 102 amostras pertenciam originalmente à classe positiva). No entanto, o recall é consideravelmente melhor para a estratégia “uniforme” – a chance de classificar uma amostra como verdadeiro positivo é maior quando a probabilidade de classificação positiva aumenta (8,35% contra 50%, respectivamente).
Os resultados verificados apresentam a importância das métricas selecionadas e ajudam a validar a implementação estatística do algoritmo e a quantificar os
avanços da rede neural artificial em questão quanto a melhoria de seu desempenho para aplicações industriais.
Observa-se que métricas próximas a 100% são ideais, nem sempre possíveis. Todavia, o modo de aplicação do modelo proposto permite que os mesmos sejam vantajosos desde que seu desempenho seja similar ou superior à tecnologia atual. Além disso, a finalidade para um sistema desse tipo garante uma certa folga no desempenho do modelo (e.g.: uma rede que auxilie tomada de decisão não precisa do desempenho semelhante a uma rede que tome decisões de forma autônoma).
No entanto, é esperado que seja possível otimizar ainda mais o modelo a partir do ajuste de seus parâmetros internos, a fim de se obter uma melhor relação entre as métricas, dada a contextualização do problema. O trabalho aqui apresentado é resultado parcial de uma dissertação de Mestrado envolvendo a otimização dessa rede, desenvolvida especificamente para a aplicação na classificação de trincas críticas de hastes e engates de vagões ferroviários – o estudo proposto tem conclusão prevista para meados de 2020.
3. CONCLUSÃO
Os resultados parciais mostram que o modelo utilizando redes neurais artificiais pode ser utilizado como ferramenta auxiliar de tomada de decisão durante ensaios em campo de ultrassom para a detecção de descontinuidades críticas em peças metálicas.
Usando de 1.222 relatórios de ultrassom, a rede MLP foi capaz de identificar padrões no sinal de A-Scan, permitindo a classificação correta de peças relativo à presença de trincas ou não. Os parâmetros adotados até o momento já são suficientes para se obter uma acurácia de 97%, valor compatível com o encontrado em estudos similares.
Espera que, em aplicação em campo, um modelo de rede neural artificial (conforme o demonstrado no trabalho) traga benefícios a indústria, como o aumento da velocidade de inspeção e redução de erro humano por reduzir subjetividade. Posteriormente, com o estudo aprofundado e otimização das métricas supracitadas, é possível que a tecnologia apresentada viabilize também a automatização do serviço de inspeção.
REFERÊNCIAS
1 Silva PRF da, Kina EJ, Bergantini M. Trainee corporativo VLI vagões. Vale S.A., editor. Belo Horizonte: Vale S.A.; 2013.
2 Stein RM. Estudo da técnica de ensaio não-destrutivo ultrassom phased-array [Internet]. Universidade Federal do Espírito Santo; 2017. Disponível em: http://www.engenhariamecanica.ufes.br/sites/engenhariamecanica. ufes.br/files/field/anexo/11._pg_final_rafael_mattos_stein_2.pdf
3 Nazário SLS, Buiochi F, Kitano C, Isepon J dos S, Adamowski JC, Higuti RT. Characterization of bovine milk using ultrasound and artificial neural networks. Rev Control Automação. 2009;20(4):627–36.
4 Marcomini KD. Aplicação de modelos de redes neurais artificiais na segmentação e classificação de nódulos em imagens de ultrassonografia de mama. Universidade de São Paulo; 2017.
5 Costar LR, Marnet LR, Pinto CFC, Noseda F, Calôba LP, Soares SD. Identificação do estágio de propagação de descontinuidade em um corpo
rígido tubular utilizando emissão acústica e redes neurais. In: 22o Automação & TI, ABM Week. São Paulo; 2018.
6 Nogueira R. Métodos de ensaios não-destrutivos mais usuais [Internet]. 2016 [cited 2019 May 28]. Disponível em: https://bcend.com.br/metodos-de-ensaios-nao-destrutivos-mais-usuais/
7 Diederichs R. Visualization of test results via imaging methods [Internet]. 1999 [cited 2019 May 28]. Disponível em:
https://www.ndt.net/article/pow1297/schmid/schmid6.htm#471
8 Instituto de Ciencias Matemáticas e Computação - USP. Redes neurais artificiais [Internet]. [cited 2019 May 28]. Disponível em:
http://conteudo.icmc.usp.br/pessoas/andre/research/neural/
9 Rosenblatt F. The Perceptron: a perceiving and recognizing automaton. Buffalo, New York; 1957.
10 Python Software Foundation. About Python [Internet]. [cited 2019 May 28]. Disponível em: https://www.python.org/about/
11 Pedregosa F, Weiss R, Brucher M. Scikit-Learn: machine learning in Python. J Mach Learn Res. 2011;12:2825–30.
12 Powers DMW. Evaluation: from precision, recall and F-factor to ROC, informedness, markedness & correlation. Adelaide; 2007
13 Joshi R. Accuracy, precision, recall & F1-score [Internet]. 2016 [cited 2019 May 28]. Disponível em: https://blog.exsilio.com/all/accuracy-precision-recall-f1-score-interpretation-of-performance-measures/
14 Scikit-learn_Developers. Dummy estimators [Internet]. [cited 2019 May 28]. Disponível em: https://scikit-learn.org/stable/modules/model_evaluation. html#dummy-estimators
15 Franco G. Entendendo erro tipo I e erro tipo II [Internet]. 2016 [cited 2019 Jun 21]. Disponível em: https://manipulandodados.com.br/entendendo-erro-tipo-i-e-erro-tipo-2/
