Submitted by Almir Azevedo (barbio1313@gmail.com) on 2013-12-09T16:18:58Z No. of bitstreams: 1 dissertacao_mestrado_ien_2010_01.pdf: 1498930 bytes, checksum: 4ce6473ee6c1e7a9780480ab714a0307 (MD5) / Made available in DSpace on 2013-12-09T16:18:58Z (GMT). No. of bitstreams: 1 dissertacao_mestrado_ien_2010_01.pdf: 1498930 bytes, checksum: 4ce6473ee6c1e7a9780480ab714a0307 (MD5) Previous issue date: 2010 / Este trabalho propôs o desenvolvimento de uma técnica automática de avaliação de defeitos para auxiliar na etapa de fabricação dos elementos combustíveis. Elaborou-se um sistema inteligente de análise de imagens para reconhecimento automático de defeitos em pastilhas de urânio. Para este fim, uma Rede Neural Artificial (RNA) foi treinada com histogramas de imagens de pastilhas, contendo exemplos tanto de pastilhas normais (sem falhas), quanto de pastilhas defeituosas (com os principais defeitos normalmente encontrados). As imagens das pastilhas foram segmentadas em 11 partes. Foram feitos histogramas destes segmentos e treinada a RNA. Além da automatização do processo, o sistema mostrou-se capaz de fazer esta classificação obtendo acerto de 98,33%. Embora este percentual já represente um expressivo avanço no controle de qualidade do processo, a utilização de técnicas mais avançadas de fotografia e iluminação poderá reduzi-lo a níveis desprezíveis com baixíssimo custo. Tecnologicamente, o método desenvolvido, caso venha a ser implementado, agregará substancial valor em termos de qualidade do processo e controle de falhas de produção no que toca a fabricação nacional de combustível nuclear. / This paper proposed the development of an automatic technique for evaluating defects to help in the stage of fabrications of fuel elements. Was produced an intelligent image analysis for automatic recognition of defects in uranium pellets. Therefore, an Artificial Neural Network (ANN) was trained using segments of histograms of pellets, containing examples of both normal (no fault) and of defectives pellets (with major defects normally found). The images of the pellets were segmented into 11 shares. Histograms were made of these segments and trained the ANN. Besides automating the process, the system was able to obtain this classification accuracy of 98,33%. Although this percentage represents a significant advance ever in the quality control process, the use or more advanced techniques of photography and lighting will reduce it to insignificant levels with low cost. Technologically, the method developed, should it ever be implemented, will add substantial value in terms of process quality control and production outages in relation to domestic manufacturing of nuclear fuel.