Aplicación de técnicas de aprendizaje profundo (deep learning) para la detección de objetos en industria 4.0

Abstract

La industria 4.0 o cuarta revolución industrial se caracteriza por la digitalización de las empresas mediante la integración de nuevas tecnologías y modelos de negocios con el objetivo de mejorar los procesos empresariales. Uno de los procesos empresariales de mayor relevancia para las empresas es el control de calidad. El control de calidad en la Industria 4.0 se denomina Calidad 4.0 y consiste en la interconexión entre las personas, máquinas y datos mediante diferentes tecnologías con el objetivo automatizar, analizar y obtener resultados positivos que permitan a la empresa abaratar costes y obtener mayores beneficios. La visión artificial industrial es una de las tecnologías de mayor interés en el campo de la Calidad 4.0, esta tecnología consiste en adquirir, procesar y analizar imágenes mediante algoritmos, entre los cuales destacan los de Deep Learning. En este Trabajo Fin de Máster (TFM) se ha desarrollado un detector de objetos basado en Deep Learning en la Industria 4.0 con el objetivo de detectar la presencia de diferentes defectos en imágenes de placas de circuitos impresos (PCBs). Adicionalmente, se ha diseñado y desarrollado un clasificador de imágenes defectuosas, en este caso para imágenes de impulsores de bombas sumergibles, como paso previo al desarrollo del detector. El primer lugar, se diseñaron seis configuraciones diferentes de redes neuronales convolucionales. Estas configuraciones logran unos resultados similares a un modelo anterior pero todas ellas presentan un diseño más simple. Para el entrenamiento y evaluación de los clasificadores implementados se empleó un dataset de imágenes de bombas impulsoras de agua etiquetadas como defectuosas y no defectuosas. En segundo lugar, se implementaron los detectores de objetos Single Shot Detector (SSD) y RetinaNet basados en diferentes CNNs como backbones de estas arquitecturas. En el caso de la SSD se implementaron como backbone diferentes configuraciones de la red VGG y una CNN personalizada, mientras que para la arquitectura RetinaNet se emplearon dos configuraciones de la red ResNet, la 50 y la 101. Para entrenar y evaluar los detectores se utilizó un dataset de imágenes de placas de circuitos impresos (PCBs) las cuales contiene ficheros xml con las etiquetas de los diferentes defectos presentes en las imágenes en formato PASCAL VOC. Los resultados obtenidos por las diferentes configuraciones del clasificador de imágenes defectuosas son muy buenos, logrando una accuracy del 99.24% la mejor de ellas. En el caso del detector, los mejores resultados los logró el RetinaNet con un valor de mAP del 93.78%.

Industry 4.0 or the fourth industrial revolution is characterized by the digitization of companies through the integration of new technologies and business models with the objetive of improving business processes. One of the most important business processes for companies is quality control. Quality control in Industry 4.0 is called Quality 4.0 and consists of the interconnection between people, machines and data through different technologies with the aim of automating, analyzing and obtaining positive results that allow the company to lower costs and obtain greater benefits. Industrial artificial vision is one of the most interesting technologies in the field of Quality 4.0, this technology consists of acquiring, processing and analyzing images using algorithms, among which those of Deep Learning stand out. In this Master Thesis (TFM), an object detector based on Deep Learning in Industry 4.0 has been developed with the aim of detecting the presence of different defects in images of printed circuit boards (PCBs). Additionally, a defective image classifier has been designed and developed, in this case for images of submersible pump impellers, as a preliminary step to the development of the detector. First, six different configurations of convolutional neural networks were designed. These configurations achieve similar results to a previous model but all of them feature a simpler design. For the training and evaluation of the implemented classifiers, a dataset of images of water impeller pumps labeled as defective and not defective was used. Second, Single Shot Detector (SSD) and RetinaNet object detectors based on different CNNs were implemented as backbones of these architectures. In the case of the SSD, different configurations of the VGG network and a personalized CNN were implemented as backbone, while for the RetinaNet architecture two configurations of the ResNet network were used, 50 and 101. To train and evaluate the detectors, it was used a dataset of images of printed circuit boards (PCBs) which contains xml files with the labels of the different defects present in the images in PASCAL VOC format. The results obtained by the different configurations of the defective image classifier are very good, achieving an accuracy of 99.24% the best of them. In the case of the detector, the best results were achieved by the RetinaNet with a mAP value of 93.78%.