Algoritmos de Deep Learning en la industria 4.0; aplicación de la inspección de defectos superficiales para el control de calidad

Las piezas ferromagnéticas se utilizan habitualmente en sectores como la automoción, la industria aeroespacial y la maquinaria. Sin embargo, durante los procesos de producción pueden producirse defectos que comprometan la integridad y el rendimiento de estas piezas. Para solucionar este problema, la inspección por partículas magnéticas (MPI) es un método de ensayo no destructivo ampliamente utilizado para detectar defectos superficiales y cercanos a la superficie en piezas ferromagnéticas.

Sin embargo, la inspección manual por operarios cualificados requiere mucho tiempo y es subjetiva y propensa a errores. Por lo tanto, este estudio tiene como objetivo desarrollar un método automatizado para la identificación de defectos basado en la técnica de partículas magnéticas utilizando deep learning.

El enfoque propuesto implica la aplicación de redes neuronales convolucionales (CNN) para la identificación automática de defectos en piezas ferromagnéticas. Las CNN son eficaces en tareas de reconocimiento de imágenes y pueden aprender características complejas sin preprocesamiento manual.

El sistema se entrena utilizando un gran conjunto de datos de imágenes etiquetadas de elementos de fijación, tanto con defectos como sin ellos. Al aprender los patrones y características asociados a los defectos, la CNN puede generalizar su aprendizaje a nuevas imágenes e identificar la presencia y localización de los defectos. Retos como el sobreajuste, los datos limitados, las clases desequilibradas y la complejidad del modelo se abordan utilizando técnicas de regularización, aumento de datos, imágenes sintéticas generadas por GANs y aprendizaje multitarea.

Este estudio también se centra en el diseño de un sistema fiable de adquisición de imágenes que combina cámaras de cuadro y de barrido lineal para capturar imágenes de alta resolución de elementos de fijación giratorios, lo que permite un análisis detallado del acabado superficial y las tolerancias dimensionales.

Un enfoque centrado en los datos que utiliza el aumento de datos e imágenes sintéticas, junto con un enfoque centrado en el modelo que utiliza el aprendizaje multitarea, mejora el rendimiento del modelo de detección de defectos mediante la incorporación de diversas fuentes de información.

Se emplean técnicas de IA explicable, como los mapas térmicos de GradCAM, para mejorar la interpretabilidad y explicabilidad del modelo de detección de defectos. La combinación de la destilación de conocimientos, el aprendizaje por transferencia y el ajuste fino mejora aún más la velocidad y la precisión del modelo. En general, esta metodología propuesta pretende mejorar la eficiencia y la eficacia de los procesos de detección de defectos en diversas industrias.