A vision-based system to guide the drilling process in cork stopper production

Abstract

This dissertation addresses the automation of the drilling process of cork strips for cork stopper production through the application of computer vision techniques. The work proposes a system capable of reproducing the drilling patterns traditionally performed by human operators, aiming to increase efficiency and reduce occupational risks and material waste. The Design Science Research Methodology (DSRM) was adopted to guide the problem identification, artifact development and evaluation stages. The developed system is based on a supervised deep learning approach, involving the detection, segmentation and projection of holes in images of undrilled cork strips, alignment between surfaces and filtering of the results. Tests conducted with images collected in a real production context demonstrated that the model achieved high performance, with Precision of 0.861, Recall of 0.911 and F1-Score of 0.8855, highlighting the system’s ability to accurately reproduce human drilling patterns. These results validate the potential of computer vision in automating high-precision industrial tasks.

Esta dissertação aborda a automatização do processo de furação de tiras de cortiça para a produção de rolhas, através da aplicação de técnicas de visão computacional. O trabalho propõe um sistema capaz de reproduzir os padrões de furação tradicionalmente realizados por operadores humanos, com o objetivo de aumentar a eficiência e reduzir riscos laborais e desperdícios de matéria-prima. Foi adotada a metodologia Design Science Research Methodology (DSRM), que orientou a identificação do problema, o desenvolvimento do artefacto e a sua avaliação. O sistema desenvolvido baseia-se numa abordagem de deep learning supervisionado, envolvendo deteção, segmentação e projeção de furos em imagens de tiras não furadas, alinhamento entre superfícies e filtragem dos resultados. Os testes efetuados com imagens provenientes de um contexto real de produção demonstraram que o modelo atinge um desempenho elevado, com Precision de 0.861, Recall de 0.911 e F1-Score de 0.8855, evidenciando a capacidade do sistema em reproduzir com elevada fidelidade os padrões de furação humanos. Estes resultados validam o potencial da visão computacional na automatização de tarefas industriais de alta precisão.