Disciplinas
Disciplina: ENE147 - INTELIGÊNCIA COMPUTACIONAL APLICADA À AUTOMAÇÃO E ROBÓTICA
Carga horária: 60
Departamento: DEPTO DE ENERGIA ELETRICA /ENG
Plano de Ensino
Ementa
Passar o entendimento ao nível de aplicação e desenvolvimento dos conceitos avançados de inteligência computacional, aprendizado profundo (deep learning) e visão computacional aplicados à automação industrial e robótica. O aluno será capaz de projetar, treinar, validar e implantar redes neurais artificiais (incluindo arquiteturas MLP, convolucionais e recorrentes) para identificação de sistemas, controle, manutenção preditiva e diagnóstico de falhas. Também dominará técnicas de visão computacional industrial para inspeção de qualidade, rastreamento de objetos e controle guiado por visão (visual servoing). Por fim, o discente estará apto a desenvolver aplicações integradas completas, conectando algoritmos de decisão inteligente a manipuladores, robôs móveis terrestres e sistemas físicos de manufatura.
Conteúdo
Tópico 1: Redes Neurais e Deep Learning Aplicados
• Fundamentos de Neurônios Artificiais e Redes Neurais Multicamadas (MLP).
• Algoritmo de Backpropagation, regularização (dropout) e otimizadores (Adam, SGD).
• Redes Neurais Convolucionais (CNNs) para processamento de matrizes de dados e imagens.
• Redes Neurais Recorrentes (LSTM/GRU) e Transformers aplicados à previsão de séries temporais de sensores industriais e modelagem de processos.
• Aplicações: identificação de sistemas não-lineares, controle neural, diagnóstico de falhas em tempo real e manutenção preditiva de ativos.
Tópico 2: Visão Computacional
• Fundamentos de processamento digital de imagens: aquisição de imagens, iluminação industrial, filtragem espacial e detecção de bordas.
• Segmentação e extração de características geométricas em imagens industriais.
• Modelos modernos de detecção de objetos (YOLO, SSD) e classificação de imagens baseados em Deep Learning.
• Visão estéreo, reconstrução 3D e calibração de câmeras.
• Aplicações: inspeção automática de qualidade em linha de montagem, rastreamento de peças em esteiras transportadoras e navegação visual para robótica móvel.
Tópico 3: Aplicações Integradas
• Integração sinérgica de Redes Neurais, Deep Learning e Visão Computacional com hardware físico e simuladores industriais.
• Desenvolvimento de projetos práticos ciber-físicos aplicando Visão Computacional para controle de movimentação robótica e posicionamento inteligente.
• Implementação de pipelines completos de MLOps industriais (treinamento, deploy em borda/edge e monitoramento de modelos de IA).
• Integração e controle por inteligência artificial em robôs manipuladores e robôs móveis terrestres.
Bibliografia
1. HAYKIN, S. Redes Neurais: Princípios e Prática. Bookman, 2001.
GONZALEZ, R. C. e WOODS, R. E. Processamento Digital de Imagens. Pearson, 2010.
GOODFELLOW, I., BENGIO, Y. e COURVILLE, A. Deep Learning. MIT Press, 2016.
RUSSELL, S. e NORVIG, P. Inteligência Artificial: uma abordagem moderna. GEN LTC, 2022.
GÉRON, A. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras e TensorFlow. Alta Books, 2021.
Notas de Aula do Professor.
Manuais Técnicos e Especificações de APIs.
Bibliografia(continuação)
Não informado
Bibliografia complementar
TANENBAUM, A. S. Redes de Computadores. Pearson, 2020.
PRUDENTE, F. Controladores Lógicos Programáveis. LTC, 2011.
BOGDAN, S. et al. Manufacturing systems control design: a matrix-based approach. Springer, 2006.
SHIGINS, D. Visão Computacional e Aprendizado de Máquina. Blucher, 2019.
PYE, C. Deep Learning para Visão Computacional. Novatec, 2020.