Correias transportadoras têm sido utilizadas como um modo eficiente de transporte de materiais por diversos ramos da indústria. A vida útil desse equipamento é influenciada pelo desgaste natural ocasionado pelo uso excessivo e falhas, tais como rasgos, cortes e perfurações. Nesse trabalho, é proposto um método de identificação de falhas em correia transportadora por meio de processamento digital de imagens, combinadas com técnicas de escaneamento 3D a laser e aprendizado de máquinas (redes neurais e SVM (Support Vector Machine - Máquina de Vetores de Suporte)). A averiguação experimental foi efetuada em duas etapas: a primeira etapa inicia-se com a aquisição, o pré-processamento e a geração do banco de imagens; a segunda, com a extração e a classificação das amostras. O vetor de características foi submetido a dois classificadores: rede neural do tipo Perceptron Múltiplas Camadas (com 15 topologias candidatas) e um classificador SVM, variando sua função kernel: linear, quadrática, polinomial, gaussiano, RBF (Radial-Basis Function - Função de Base Radial) e MLP (Multilayer Perceptron – Perceptron Múltiplas Camadas). Os resultados experimentais mostram que a metodologia proposta obtém uma boa acurácia na estimação das falhas, mostrando-se promissora na tarefa de diagnosticar e classificar falhas em correias transportadoras.

Conveyor belts have been used as an efficient way of transporting materials by various industry branches. This equipment's lifespan is influenced by natural wear caused by overuse and flaws, such as tears, cuts, and perforations. This work proposes a method of identifying flaws in the conveyor belt using digital image processing, combined with 3D laser scanning techniques and machine learning (neural networks and SVM - Support Vector Machine). The experimental investigation has been carried out in two stages: the first stage begins with the acquisition, preprocessing, and generation of an image bank; the second, with the extraction and classification of the samples. The characteristic's vector has been submitted to two classifiers: Multi-Layer Perceptron neural network (with 15 candidate topologies) and an SVM classifier, varying its kernel function: linear, quadratic, polynomial, Gaussian, RBF (Radial-Basis Function) and MLP (Multilayer Perceptron). The experimental results show that the proposed methodology obtains a good accuracy in the failure estimation, being promising in the task of diagnosing and classifying flaws in conveyor belts.