Implementación de un Sistema de Reconocimiento de Patrones para una Banda Transportadora

La eficiencia y la calidad en el producto final son unos de los aspectos más importantes en los procesos de producción, que se buscan mejorar constantemente. Actualmente, en la mayoría de las industrias no se cuenta con un sistema que permita detectar de forma óptima los elementos defectuosos a no ser por intervención directa de los operarios en el lugar del proceso. Basados en el auge de la Industria 4.0 junto a la promesa de combinarla con técnicas avanzadas de producción industrial, se busca integrar las tecnologías inteligentes por medio de un sistema de reconocimiento de patrones. Por lo que, como solución a esta problemática se ha creado Oggettti, un sistema dirigido a la industria alimentaria, capaz de aumentar la eficiencia y calificar la calidad de cada uno de los tipos de pastas inmersos en un proceso de manufactura. Este proyecto busca contribuir a la construcción de plataformas de trabajo en el área de Industria 4.0. Adicionalmente, se desea recuperar el impulso que se tenía en el Departamento de Ingeniería Eléctrica y Electrónica con respecto al tema de procesamiento de imágenes, y aplicarlo como plataforma funcional en el Laboratorio de Automatización Industrial. Este proceso está diseñado para reconocer diferentes tipos de pastas que circulan en una banda transportadora simulando un proceso de fabricación para aumentar la eficiencia en términos de producción y calidad del producto final. En este es posible apreciar una plataforma de visualización remota para verificar los datos y almacenarlos en una base de datos relacionada a través de MySQL Db. Se describe un proceso de reconocimiento basado en la arquitectura SSD que procesa la biblioteca de aprendizaje automático TensorFlow. Se requiere una Raspberry Pi 4 como sistema informático asociado con la estación de reconocimiento que se va a desarrollar. La validación general del sistema se llevó a cabo a través de la medida estadística del F score que arrojó un resultado de precisión del 91,77%.

• Autores: Arellana, María; Martínez, Marcelo
• Fecha de publicación: 2020
• Institución: Universidad del Norte
• Repositorio: Repositorio Uninorte
• Idioma: spa
• OAI Identifier: oai:manglar.uninorte.edu.co:10584/9037
• Acceso en línea: http://hdl.handle.net/10584/9037
• Palabra clave: Banda transportadora; TensorFlow; Reconocimiento de patrones; Raspberry Pi; F-Score; SSD
• License: Universidad del Norte