VISIÓN POR COMPUTADORA PARA LA INSPECCIÓN VISUAL AUTÓNOMA EN LÍNEAS DE PRODUCCIÓN INDUSTRIALES
DOI:
https://doi.org/10.47820/recima21.v6i3.6177Palabras clave:
Visión por ordenador. Aplicación de la visión. Entornos industriales.Resumen
Este artículo tiene como objetivos específicos destacar las técnicas de visión artificial utilizadas en el proyecto IVAP, discutir los pasos de implementación del sistema y analizar los resultados obtenidos. A lo largo de este estudio esperamos contribuir a la literatura existente sobre la aplicación de la visión artificial en la industria, citando ejemplos de autores como Gerald J. Agin (1980) y Rodrigo Barbosa Davies (2012), quienes exploraron la práctica y efectividad de estas tecnologías en entornos industriales. La visión artificial se ha consolidado como una herramienta imprescindible para la inspección visual en las líneas de producción industriales, promoviendo importantes mejoras en la calidad y eficiencia de los procesos de fabricación. Este estudio aborda la implementación de un sistema avanzado de visión artificial en el proyecto IVAP (Visual Autonomous Product Inspection), desarrollado en colaboración entre el Instituto Conecthus y Vantiva. La implementación del sistema Keyence Serie CV-X fue motivada por la necesidad de realizar inspecciones autónomas, estandarizando la calidad del producto sin depender de evaluaciones manuales, propensas a errores. El desarrollo del proyecto se centró en el uso de sofisticadas técnicas de visión artificial, incluida la detección y clasificación de defectos mediante algoritmos de aprendizaje automático para el procesamiento de imágenes y el análisis de defectos cosméticos. Las técnicas utilizadas fueron estudiadas y adaptadas al contexto industrial, permitiendo la inspección detallada de los aspectos cosméticos de los productos, con mínimas excepciones.
Descargas
Referencias
BENBARRAD, T.; SALHAOUI, M.; KENITAR, S. B. et al. Intelligent machine vision model for defective product inspection based on machine learning. Journal of Sensor and Actuator Networks, v. 10, n. 1, p. 7, 2021. DOI: https://doi.org/10.3390/jsan10010007
CHEN, Y. W.; SHIU, J. M. An implementation of YOLO-family algorithms in classifying the product quality for the acrylonitrile butadiene styrene metallization. The International Journal of Advanced Manufacturing Technology, v. 119, n. 11, p. 8257–8269, 2022. https://doi.org/10.1007/s00170-022-08676-5 DOI: https://doi.org/10.1007/s00170-022-08676-5
DAVIES, E. Computer and machine vision: Theory, algorithms, practicalities. 4 ed. [S. l.]: Academic Press, 2012. https://doi.org/10.1016/C2010-0-66926-4 DOI: https://doi.org/10.1016/C2010-0-66926-4
FORSYTH, D.; PONCE, J. Computer vision: A modern approach. 2 ed. [S. l..]: Pearson, 2012.
HÜTTEN, N.; GOMES, M. A.; HÖLKEN, F. et al. Deep learning for automated visual inspection in manufacturing and maintenance: A survey of open-access papers. Applied System Innovation, v. 7, n. 1, 2024. https://doi.org/10.3390/asi7010011 DOI: https://doi.org/10.3390/asi7010011
LI, Y.; HUANG, H.; XIE, Q. et al. Research on a surface defect detection algorithm based on MobileNet-SSD. Applied Sciences, v. 8, n. 9, p. 1678, 2018. DOI: https://doi.org/10.3390/app8091678
LIN, C.-Y.; CHOU, Y.-H.; CHENG, Y.-C. A deep learning-based general defect detection framework for automated optical inspection. In: 2023 IEEE International Conference on Industry 4.0, Artificial Intelligence, and Communications Technology (IAICT). 2023. p. 332–337. https://doi.org/10.1109/IAICT59002.2023.10205799 DOI: https://doi.org/10.1109/IAICT59002.2023.10205799
LIU, W.; ANGUELOV, D.; ERHAN, D. et al. SSD: Single shot multibox detector. In: LEIBE, B.; MATAS, J.; SEBE, N.; WELLING, M. (Eds.). Computer Vision – ECCV 2016. [S. l.]: Springer International Publishing, 2016. p. 21–37. DOI: https://doi.org/10.1007/978-3-319-46448-0_2
LIU, X.; WANG, J.; ZHANG, R. et al. Deep learning-based defect detection for printed circuit boards. In: SHEN, L.; ZHONG, G. (Eds.). Third International Conference on Computer Vision and Pattern Analysis (ICCPA). 2023.p. 127543I). International Society for Optics and Photonics SPIE. https://doi.org/10.1117/12.2684258 DOI: https://doi.org/10.1117/12.2684258
REDMON, J.; DIVVALA, S.; GIRSHICK, R. et al. You only look once: Unified, real-time object detection. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. p. 779–788. https://doi.org/10.1109/CVPR.2016.91 DOI: https://doi.org/10.1109/CVPR.2016.91
SERRA, J. Image analysis and mathematical morphology. [S. l.]: Academic Press, 1982.
SILVA, W. R. L. D.; LUCENA, D. S. Concrete cracks detection based on deep learning image classification. Proceedings, v. 2, n. 8, 2018. https://doi.org/10.3390/ICEM18-05387 DOI: https://doi.org/10.3390/ICEM18-05387
STEGER, C.; ULRICH, M.; WIEDEMANN, C. Machine vision algorithms and applications. [S. l.]: John Wiley & Sons, 2018.
SZELISKI, R. Computer vision: Algorithms and applications. [S. l.]: Springer, 2011. DOI: https://doi.org/10.1007/978-1-84882-935-0
THOLEY, N. Digital processing of earth observation images. Surveys in Geophysics, v. 21, p. 209–222, 2000. https://doi.org/10.1023/A:1006714832064. DOI: https://doi.org/10.1023/A:1006714832064
WU, X.; GE, Y.; ZHANG, Q. et al. PCB defect detection using deep learning methods. In: IEEE 24th International Conference on Computer Supported Cooperative Work in Design (CSCWD). 2021. p. 873–876. https://doi.org/10.1109/CSCWD49262.2021.9437846 DOI: https://doi.org/10.1109/CSCWD49262.2021.9437846
ZHU, L.; SPACHOS, P.; PENSINI, E. et al. Deep learning and machine vision for food processing: A survey. Current Research in Food Science, v. 4, p. 233–249, 2021. https://doi.org/10.1016/j.crfs.2021.03.009. DOI: https://doi.org/10.1016/j.crfs.2021.03.009
Descargas
Publicado
Número
Sección
Categorías
Licencia
Derechos de autor 2025 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.
