Detección de defectos en sistemas de inspección visual automática a través del aprendizaje de múltiples instancias

En las últimas décadas los sistemas de inspección visual automática se han convertido en herramientas de ayuda indispensables para el control de calidad en líneas de producción industrial. Si bien, en muchas industrias este proceso es aún realizado por humanos, los sistemas de inspección visual superan las capacidades de los humanos en muchos aspectos. Por ejemplo, la velocidad de inspección alcanzada por las máquinas es mucho mayor y, por tanto, se puede inspeccionar el 100\% de los productos; los sistemas de inspección visual automática pueden trabajar las 24 horas, los 7 días a la semana, sin degradar su desempeño bien sea por fatiga visual o por factores anímicos; además, éstos eliminan la subjetividad humana en el proceso, por lo que la calidad de todos los productos se determina siempre de la misma forma. Desde el punto de vista de la visión artificial existen diferentes aproximaciones para abordar el problema de la de inspección visual automática. Una de las más comunes consiste en la utilización de métodos de aprendizaje automático para "enseñar" a las máquinas a reconocer los posibles defectos en un producto. Sin embargo, para que la máquina construya un modelo que le permita diferenciar entre productos defectuosos y no-defectuosos, se requiere de un amplio conjunto de imágenes de entrenamiento en las que los posibles defectos estén perfectamente delineados. Este proceso, conocido como segmentación (o anotación) manual, es una tarea laboriosa que requiere de extensos tiempos de dedicación de los expertos, es susceptible a las inconsistencias inter- e intra-experto y en algunos casos es impracticable por el número de imágenes que se requieren para el entrenamiento. A partir de esa limitación, esta tesis explora el uso de un nuevo paradigma de clasificación, denominado Aprendizaje de Múltiples Instancias (MIL), con el fin de enseñar a las máquinas a diferenciar entre productos defectuoso y no-defectuosos utilizando imágenes débilmente etiquetadas, que además tienen cierto grado de ambigüedad. Para ello, el problema de inspección es modelado como un problema MIL en el que cada imagen de entrenamiento es representada como una bolsa que contiene múltiples vectores de características, llamados instancias. Además, se considera el problema del aprendizaje a partir de clases desbalanceadas en el contexto MIL. En muchas industrias es común que se cuente con una gran cantidad de imágenes de productos no-defectuosos, pero pocas imágenes de productos con defectos. Esto sucede ya sea por el costo que implica generar los defectos o por la poca frecuencia de su aparición. Cuando el número de muestras de una de las clases (la clase mayoritaria) supera por mucho el número de muestras de la clase minoritaria, los algoritmos de aprendizaje basados en la teoría de decisión Bayesiana suelen generar fronteras de decisión sesgadas en favor de la clase mayoritaria. Es por esto que en esta tesis se aborda el problema de desbalance entre clases en MIL y se propone un método para balancear las mismas, en términos de su representación basada en bolsas y/o instancias. Finalmente, en esta tesis se considera el problema del cambio temporal en la descripción de los productos y sus posibles defectos (cambio de concepto). En muchos dominios de aplicación de la inspección visual automática, el ambiente en el cual se toman las imágenes de los objetos puede cambiar en el tiempo, por ejemplo, por cambios debidos a la iluminación o cambios en los defectos. Esto conlleva a que un clasificador entrenado en el tiempo t pueda tener un desempeño muy bajo en el tiempo t+1. En este sentido, aquí se plantea el problema del aprendizaje incremental de múltiples instancias y se presenta una aproximación de solución al mismo. Los elementos antes mencionados llevan a que en esta tesis se desarrolle una metodología para la detección de defectos en sistemas de inspección visual automática basados en el aprendizaje de múltiples instancias, con el fin de mejorar la adaptabilidad de estos sistemas en términos del uso de imágenes débilmente etiquetadas, de su funcionamiento con conjuntos no balanceados y de cambios en la descripción de los conceptos.

• Autores: Mera Banguero, Carlos Andres
• Tipo de recurso: Doctoral thesis
• Fecha de publicación: 2017
• Institución: Universidad Nacional de Colombia
• Repositorio: Universidad Nacional de Colombia
• Idioma: spa
• OAI Identifier: oai:repositorio.unal.edu.co:unal/59346
• Acceso en línea: https://repositorio.unal.edu.co/handle/unal/59346; http://bdigital.unal.edu.co/56773/
• Palabra clave: 02 Bibliotecología y ciencias de la información / Library and information sciences; 51 Matemáticas / Mathematics; 62 Ingeniería y operaciones afines / Engineering; Inspección visual automática; Aprendizaje de múltiples instancias; Aprendizaje con clases debalanceadas; Aprendizaje incremental; Automatic visual inspection; Multi-instance learning; Class imbalance learning; Incremental learning
• Rights: openAccess
• License: Atribución-NoComercial 4.0 Internacional