Visual inspection using deep learning techniques for industrial manufacturing processes with class imbalance and limited labeled data

En los últimos años se ha utilizado la visión por ordenador para realizar inspecciones visuales en procesos industriales. Sin embargo, el procesamiento de imágenes convencional se limita a escenarios muy controlados y a tareas específicas como la lectura e identificación de códigos de barras, el calibrado y el dimensionamiento, la inspección básica de materiales y la localización y el recuento. En los procesos industriales, otras tareas de inspección visual requieren técnicas sofisticadas, por ejemplo, la detección y segmentación avanzada de defectos, la localización de características y la verificación de ensamblajes, entre otras. En la actualidad, estas tareas implementan técnicas de aprendizaje automático basadas en el aprendizaje profundo para lograr un rendimiento superior al de la inspección manual. Por lo general, se considera que el enfoque de aprendizaje profundo requiere muchos datos etiquetados para generar un modelo aceptable, lo que a menudo obstaculiza la adopción generalizada del aprendizaje profundo en las industrias que están limitadas a la disponibilidad de datos etiquetados. Por otra parte, como es natural en la inspección visual, los defectos están presentes con menos frecuencia que las piezas regulares, creando así un desbalance de clases que podría complicar el entrenamiento de un modelo robusto de aprendizaje profundo. Por otro lado, otras técnicas de aprendizaje de máquina aplicadas a la inspección visual requieren experiencia en ingeniería de características para crear un modelo y, a menudo, los resultados se limitan a características muy específicas que no pueden extrapolarse a un entorno, material o rasgo diferente a identificar. El objetivo de este proyecto es desplegar un algoritmo de aprendizaje profundo para la inspección visual que trate el desbalance de clases y la disponibilidad de datos en un caso de estudio (inspección de la superficie de láminas de acero), presentando diferentes enfoques utilizados para lograr el modelo final.

• Tipo de recurso: masterThesis
• Fecha de publicación: 2020
• Institución: Pontificia Universidad Javeriana
• Repositorio: Repositorio Universidad Javeriana
• Idioma: spa
• OAI Identifier: oai:repository.javeriana.edu.co:10554/53233
• Acceso en línea: http://hdl.handle.net/10554/53233; https://doi.org/10.11144/Javeriana.10554.53233
• Palabra clave: Visión por computador; Aprendizaje profundo; Aprendizaje de maquina; U-Net; Segmentación semántica; Inteligencia artificial; Procesamiento de imágenes; Redes neuronales; Redes neuronales convolucionadas; Keras; Inspección visual; Desbalanceo de clases; Optimizacion; Aprendizaje de transferencia; Aprendizaje supervisado; Ciencia de datos; Inspección de superficie; Laminas de acero; Extracción de características; Xception; Redes neuronales artificiales; Computer vision; Deep learning; Machine learning; Artificial intelligence; Semantic segmentation; Image processing; Neural networks; Keras; Visual inspection; Class imbalance; Convolutional neural networks; U-Net; Optimization; Image segmentation; Transfer learning; Supervised learning; Deepwise separable convolution; Data science; Surface inspection; Steel sheets; Feature extraction; Xception; Artificial neural networks; Maestría en ingeniería industrial - Tesis y disertaciones académicas; Inteligencia artificial; Robótica; Redes neuronales (Computadores); Aprendizaje automático (Inteligencia artificial)
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional