Revisión de la literatura sobre el uso del aprendizaje profundo enfocado en sistemas de inspección ópticos automatizados para la detección de defectos superficiales en el sector de la manufactura

• Sanchez-Romero, Jonathan ^[1] ; Llerena-Izquierdo, Joe ^[1]
  1. [1] Universidad Politécnica Salesiana

     Universidad Politécnica Salesiana

     Cuenca, Ecuador

     
• Localización: InGenio Journal: La revista de la Facultad de Ciencias de la Ingeniería de la UTEQ, ISSN-e 2697-3642, Vol. 6, Nº. 2, 2023, págs. 1-19
• Idioma: español
• Títulos paralelos:
  • Literature review on the use of deep learning focused on automated optical inspection systems for surface defect detection in the manufacturing sector
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El sector de la manufactura utiliza metodologías de aprendizaje automático supervisado que permiten mejorar procesos de inspección mediante la visión artificial. La inspección óptica automatizada ofrece eficiencia en el proceso de inspección para la detección de defectos en la fabricación de diversos productos. Este trabajo aporta con la identificación de aquellas limitaciones en el procesamiento de datos basados en el conjunto de reglas definidas y la gestión del dominio del proceso. Se propone una revisión de literatura sobre el uso del aprendizaje profundo enfocado a los sistemas de inspección ópticos automatizados para la detección de defectos superficiales en el sector de la manufactura. El objetivo propuesto es de identificar las diferentes arquitecturas orientadas en redes neuronales convolucionales aplicadas en sistemas de inspección óptico con el fin de automatizar la extracción de características o patrones. Por medio de la exploración de trabajos relevantes se permite identificar un total de 47 documentos seleccionados que abordan los problemas de generalización y técnicas de optimización, finalmente se contrasta la información de las diferentes arquitecturas para la elaboración de una tabla comparativa que evidencia mejoras en la precisión de los sistemas de inspección óptico mediante el porcentaje alcanzado. Estos resultados contribuyen como un insumo al conjunto de literatura existente para mejoras al sector de la manufactura.

  • English

    The manufacturing industry uses supervised machine learning methodologies to improve inspection processes through machine vision. Automated optical inspection offers efficiency in the inspection process for the detection of defects in the manufacture of various products. This work contributes with the identification of those limitations in data processing based on defined rule sets and process domain management. A literature review is proposed on the use of deep learning focused on automated optical inspection systems for the detection of surface defects in the manufacturing sector. The proposed objective is to identify the different architectures oriented on convolutional neural networks applied in optical inspection systems to automate the extraction of features or patterns. By means of the exploration of relevant works, a total of 47 selected papers that address generalization problems and optimization techniques are identified. Finally, the information of the different architectures is contrasted for the elaboration of a comparative table that evidence improvements in the accuracy of the optical inspection systems by means of the percentage achieved. These results contribute as an input to the existing body of literature for improvements in the manufacturing sector.