{"id":2492,"date":"2022-07-18T18:32:13","date_gmt":"2022-07-18T18:32:13","guid":{"rendered":"https:\/\/lisdatasolutions.sidnpre.com\/?post_type=casos_de_uso&p=2492"},"modified":"2022-08-16T10:02:37","modified_gmt":"2022-08-16T10:02:37","slug":"defectos-en-planchas-de-acero","status":"publish","type":"casos_de_uso","link":"https:\/\/www.lisdatasolutions.com\/es\/casos-de-uso\/defectos-en-planchas-de-acero\/","title":{"rendered":"Clasificaci\u00f3n de defectos en planchas de acero"},"content":{"rendered":"\r\n
Implementaci\u00f3n de un sistema de clasificaci\u00f3n autom\u00e1tica, mediante redes neuronales convolucionales, de defectos en las planchas de acero producidos durante el proceso de producci\u00f3n.<\/p>\r\n\r\n\r\n\r\n
El proceso de producci\u00f3n de planchas de acero es especialmente delicado. Hay un gran n\u00famero de procesos, y peque\u00f1as alteraciones en algunos, como el calentamiento o el laminado, provocan defectos de producci\u00f3n y por tanto p\u00e9rdida de calidad o piezas defectuosas. Por esto, poder identificar mediante visi\u00f3n artificial la calidad de las piezas en diferentes zonas del proceso de fabricaci\u00f3n garantiza que la calidad final es la deseada, descartando las piezas defectuosas y localizando la fase m\u00e1s cr\u00edtica.<\/p>\r\n\r\n\r\n\r\n Realizamos un an\u00e1lisis exploratorio de los datos y desarrollamos una soluci\u00f3n basada en el desarrollo y entrenamiento de un sistema de aprendizaje profundo (deep learning). En este caso, una red neuronal convolucional U-Net.<\/p>\r\n\r\n\r\n\r\n Posteriormente, se vuelve a realizar un an\u00e1lisis exploratorio del resultado obtenido para garantizar que la precisi\u00f3n del modelo entrenado sea m\u00e1xima.<\/p>\r\n\r\n\r\n\r\n Finalmente, se pone en producci\u00f3n la soluci\u00f3n. Adem\u00e1s, si se considera oportuno, se reentrena el modelo utilizando un conjunto de datos cada vez m\u00e1s actualizado.<\/p>\r\n\r\n\r\n\r\n An\u00e1lisis y clasificaci\u00f3n de im\u00e1genes de entrada<\/strong><\/p>\r\n\r\n\r\n\r\n Conjunto de im\u00e1genes que incluyan todos los defectos que se quieren clasificar. Entrenamiento espec\u00edfico del modelo<\/strong><\/p>\r\n\r\n\r\n\r\n Se utiliza la librer\u00eda segmentations-model de Keras con modelos preentrenados. Despliegue<\/strong><\/p>\r\n\r\n\r\n\r\n Una vez se tiene el modelo entrenado, al introducir una imagen sin clasificar devuelve un mapa de calor donde se pueden identificar los posibles defectos que contenga la plancha de acero.<\/p>\r\n","protected":false},"excerpt":{"rendered":" Implementaci\u00f3n de un sistema de clasificaci\u00f3n autom\u00e1tica, mediante redes neuronales convolucionales, de defectos en las planchas de acero producidos durante el proceso de producci\u00f3n. Objetivos Verificar autom\u00e1ticamente la calidad de las planchas de acero Aumentar la calidad del resultado final del proceso de producci\u00f3n Localizar las fases cr\u00edticas del proceso de producci\u00f3n El proceso de […]<\/p>\n","protected":false},"author":1,"featured_media":2493,"comment_status":"open","ping_status":"closed","template":"","meta":{"inline_featured_image":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0},"casos-de-uso":[80,76],"acf":[],"yoast_head":"\n<\/figure>\r\n\r\n\r\n\r\n
Qu\u00e9 hacemos<\/h2>\r\n\r\n\r\n\r\n
<\/figure>\r\n\r\n\r\n\r\n
C\u00f3mo lo hacemos<\/h2>\r\n\r\n\r\n\r\n
Fichero con el tipo de defecto y la ubicaci\u00f3n del defecto generado manualmente. En este caso se clasifican los posibles defectos en 4 grupos previamente definidos.<\/p>\r\n\r\n\r\n\r\n
Se utiliza U-Net, una red neuronal convolucional para segmentaci\u00f3n de im\u00e1genes.
La salida del modelo es una m\u00e1scara con contornos f\u00e1cilmente identificables que localizan los defectos que ha encontrado la red neuronal.<\/p>\r\n\r\n\r\n\r\n