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 s...
- Autores:
-
Arellana, María
Martínez, Marcelo
- Tipo de recurso:
- 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
- Rights
- License
- Universidad del Norte
id |
REPOUNORT2_ebb182439a629940c32bf1401d93780b |
---|---|
oai_identifier_str |
oai:manglar.uninorte.edu.co:10584/9037 |
network_acronym_str |
REPOUNORT2 |
network_name_str |
Repositorio Uninorte |
repository_id_str |
|
dc.title.es_ES.fl_str_mv |
Implementación de un Sistema de Reconocimiento de Patrones para una Banda Transportadora |
dc.title.en_US.fl_str_mv |
Implementation of a Pattern Recognition System for a Conveyor Belt |
title |
Implementación de un Sistema de Reconocimiento de Patrones para una Banda Transportadora |
spellingShingle |
Implementación de un Sistema de Reconocimiento de Patrones para una Banda Transportadora Banda transportadora TensorFlow Reconocimiento de patrones Raspberry Pi F-Score SSD |
title_short |
Implementación de un Sistema de Reconocimiento de Patrones para una Banda Transportadora |
title_full |
Implementación de un Sistema de Reconocimiento de Patrones para una Banda Transportadora |
title_fullStr |
Implementación de un Sistema de Reconocimiento de Patrones para una Banda Transportadora |
title_full_unstemmed |
Implementación de un Sistema de Reconocimiento de Patrones para una Banda Transportadora |
title_sort |
Implementación de un Sistema de Reconocimiento de Patrones para una Banda Transportadora |
dc.creator.fl_str_mv |
Arellana, María Martínez, Marcelo |
dc.contributor.advisor.none.fl_str_mv |
Pardo, Mauricio Gómez, Diego |
dc.contributor.author.none.fl_str_mv |
Arellana, María Martínez, Marcelo |
dc.subject.es_ES.fl_str_mv |
Banda transportadora TensorFlow Reconocimiento de patrones Raspberry Pi F-Score SSD |
topic |
Banda transportadora TensorFlow Reconocimiento de patrones Raspberry Pi F-Score SSD |
description |
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%. |
publishDate |
2020 |
dc.date.accessioned.none.fl_str_mv |
2020-09-30T21:52:42Z |
dc.date.available.none.fl_str_mv |
2020-09-30T21:52:42Z |
dc.date.issued.none.fl_str_mv |
2020-06-10 |
dc.type.es_ES.fl_str_mv |
article |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_6501 |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10584/9037 |
url |
http://hdl.handle.net/10584/9037 |
dc.language.iso.es_ES.fl_str_mv |
spa |
language |
spa |
dc.rights.es_ES.fl_str_mv |
Universidad del Norte |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
Universidad del Norte http://purl.org/coar/access_right/c_abf2 |
dc.publisher.es_ES.fl_str_mv |
Barranquilla,Universidad del Norte, 2020 |
institution |
Universidad del Norte |
bitstream.url.fl_str_mv |
http://manglar.uninorte.edu.co/bitstream/10584/9037/1/diagrama.png http://manglar.uninorte.edu.co/bitstream/10584/9037/2/license.txt |
bitstream.checksum.fl_str_mv |
2db16233b6951c02e49b0306fac08734 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Digital de la Universidad del Norte |
repository.mail.fl_str_mv |
mauribe@uninorte.edu.co |
_version_ |
1812183106892857344 |
spelling |
Pardo, MauricioGómez, DiegoArellana, MaríaMartínez, Marcelo2020-09-30T21:52:42Z2020-09-30T21:52:42Z2020-06-10http://hdl.handle.net/10584/9037La 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%.Efficiency and quality in the final product are one of the most important aspects in the production processes, which are constantly being improved. Currently, most industries do not have a system that allows for optimal detection of defective elements except through direct intervention of operators at the process site. Based on the boom of Industry 4. 0 together with the promise of combining it with advanced industrial production techniques, the aim is to integrate intelligent technologies by means of a pattern recognition system. Therefore, as a solution to this problem, Oggettti has been created, a system aimed at the food industry, capable of increasing the efficiency and qualifying the quality of each type of pasta immersed in a manufacturing process. This project seeks to contribute to the construction of working platforms in the area of Industry 4. 0.In addition, the aim is to recover the momentum that the Department of Electrical and Electronic Engineering had with regard to the image processing issue, and to apply it as a functional platform in the Industrial Automation Laboratory. This process is designed to recognize different types of pastes circulating on a conveyor belt simulating a manufacturing process to increase efficiency in terms of production and quality of the final product. In this it is possible to appreciate a remote visualization platform to verify the data and store them in a related database through MySQL Db. A recognition process based on the SSD architecture that processes the TensorFlow machine learning library is described. A Raspberry Pi 4 is required as the computer system associated with the reconnaissance station to be developed.The general validation of the system was carried out through the statistical measurement of the F score which gave a result of 91.77% accuracy.spaBarranquilla,Universidad del Norte, 2020Universidad del Nortehttp://purl.org/coar/access_right/c_abf2Banda transportadoraTensorFlowReconocimiento de patronesRaspberry PiF-ScoreSSDImplementación de un Sistema de Reconocimiento de Patrones para una Banda TransportadoraImplementation of a Pattern Recognition System for a Conveyor Beltarticlehttp://purl.org/coar/resource_type/c_6501ORIGINALdiagrama.pngdiagrama.pngimage/png269492http://manglar.uninorte.edu.co/bitstream/10584/9037/1/diagrama.png2db16233b6951c02e49b0306fac08734MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://manglar.uninorte.edu.co/bitstream/10584/9037/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5210584/9037oai:manglar.uninorte.edu.co:10584/90372020-09-30 16:52:42.353Repositorio Digital de la Universidad del Nortemauribe@uninorte.edu.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 |