Sistema de Visión Artificial para Detección y Clasificación de Defectos en Piezas Mecánicas mediante Redes Neuronales Convolucionales
Abstract
La inspección visual de piezas mecánicas en procesos industriales es crucial para garantizar la calidad del producto final. Este proyecto presenta un sistema innovador de visión artificial que combina técnicas clásicas de procesamiento de imágenes con redes neuronales convolucionales (CNN) para la detección, clasificación y cuantificación de defectos superficiales en componentes mecánicos. El sistema propuesto alcanza una precisión del 97.3% en la detección de grietas, rayones, abolladuras y defectos de soldadura, superando significativamente los métodos tradicionales de inspección manual y reduciendo el tiempo de inspección en un 85%.
Objetivo General
Desarrollar e implementar un sistema de visión artificial robusto y en tiempo real para la detección automática de defectos en piezas mecánicas durante el proceso de manufactura, utilizando algoritmos de procesamiento de imágenes y aprendizaje profundo, con el fin de mejorar la eficiencia del control de calidad y reducir los costos asociados a la inspección manual.
Metodología
La metodología se divide en cinco fases principales:\n\n1. Adquisición de Imágenes: Configuración de un sistema de iluminación controlada con cámaras industriales de alta resolución (5MP) y lentes telecéntricas para minimizar distorsiones. Se capturan imágenes bajo diferentes condiciones de iluminación (luz difusa, lateral y retroiluminación).\n\n2. Preprocesamiento: Aplicación de técnicas de mejora de contraste (CLAHE), filtrado bilateral para reducción de ruido, y corrección de iluminación no uniforme mediante algoritmos de homomorphic filtering.\n\n3. Segmentación y Extracción de Características: Utilización de operadores morfológicos, detección de bordes (Canny, Sobel), transformada de Hough para detección de líneas y círculos, y extracción de descriptores de textura (LBP, GLCM) y forma (momentos de Hu).\n\n4. Entrenamiento del Modelo: Implementación de una arquitectura CNN personalizada basada en ResNet-50 con transfer learning. Dataset de entrenamiento: 15,000 imágenes etiquetadas (12,000 entrenamiento, 2,000 validación, 1,000 prueba) con data augmentation (rotación, flip, cambios de brillo).\n\n5. Evaluación y Optimización: Análisis de métricas de rendimiento (precisión, recall, F1-score, matriz de confusión), optimización de hiperparámetros mediante grid search, y pruebas de inferencia en tiempo real.
Resultados
Los resultados obtenidos hasta la fecha demuestran:\n\n- Precisión global: 97.3% en la clasificación de 5 tipos de defectos\n- Detección de grietas: 98.5% de sensibilidad con solo 1.2% de falsos positivos\n- Velocidad de procesamiento: 45 fps (frames por segundo) en hardware GPU RTX 3080\n- Comparación con inspección manual: Reducción del 85% en tiempo de inspección y 92% menos errores humanos\n- Robustez: Mantiene >95% de precisión bajo variaciones de iluminación ±30%\n- ROI estimado: Recuperación de la inversión en 8 meses basado en reducción de costos operativos\n\nSe han identificado patrones de defectos recurrentes que permitieron optimizar parámetros del proceso de manufactura aguas arriba.
Galería
2 imágenes
Proyecto mecatrónico
Nueva impresora 3D