RT info:eu-repo/semantics/masterThesis
T1 Aplicación de técnicas de aprendizaje profundo (deep learning) para la detección de objetos en industria 4.0
A1 Peña Lorenzo, José María
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Industria 4.0
K1 Redes neuronales
K1 Detectores de objetos
AB 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%.
YR 2020
FD 2020
LK http://uvadoc.uva.es/handle/10324/43255
UL http://uvadoc.uva.es/handle/10324/43255
LA spa
NO Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
DS UVaDOC
RD 23-nov-2024