Cuéntanos tu caso y te llamamos

CONTACTA

Clasificación de defectos en planchas de acero

Implementación de un sistema de clasificación automática, mediante redes neuronales convolucionales, de defectos en las planchas de acero producidos durante el proceso de producción.

Objetivos

Verificar automáticamente la calidad de las planchas de acero
Aumentar la calidad del resultado final del proceso de producción
Aumentar la calidad del resultado final del proceso de producción


%%tb-image-alt-text%%

El proceso de producción de planchas de acero es especialmente delicado. Hay un gran número de procesos, y pequeñas alteraciones en algunos, como el calentamiento o el laminado, provocan defectos de producción y por tanto pérdida de calidad o piezas defectuosas. Por esto, poder identificar mediante visión artificial la calidad de las piezas en diferentes zonas del proceso de fabricación garantiza que la calidad final es la deseada, descartando las piezas defectuosas y localizando la fase más crítica.
%%tb-image-alt-text%%

Qué hacemos

Realizamos un análisis exploratorio de los datos y desarrollamos una solución basada en el desarrollo y entrenamiento de un sistema de aprendizaje profundo (deep learning). En este caso, una red neuronal convolucional U-Net.

Posteriormente, se vuelve a realizar un análisis exploratorio del resultado obtenido para garantizar que la precisión del modelo entrenado sea máxima.

Finalmente, se pone en producción la solución. Además, si se considera oportuno, se reentrena el modelo utilizando un conjunto de datos cada vez más actualizado.

Cómo lo hacemos

Análisis y clasificación de imágenes de entrada

Conjunto de imágenes que incluyan todos los defectos que se quieren clasificar.
Fichero con el tipo de defecto y la ubicación del defecto generado manualmente. En este caso se clasifican los posibles defectos en 4 grupos previamente definidos.

Entrenamiento específico del modelo

Se utiliza la librería segmentations-model de Keras con modelos preentrenados.
Se utiliza U-Net, una red neuronal convolucional para segmentación de imágenes.
La salida del modelo es una máscara con contornos fácilmente identificables que localizan los defectos que ha encontrado la red neuronal.

Despliegue

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.


%%tb-image-alt-text%%

Implementación de un sistema de clasificación automática, mediante redes neuronales convolucionales, de defectos en las planchas de acero producidos durante el proceso de producción.

Objetivos

Verificar automáticamente la calidad de las planchas de acero
Aumentar la calidad del resultado final del proceso de producción
Localizar las fases críticas del proceso de producción

El proceso de producción de planchas de acero es especialmente delicado. Hay un gran número de procesos, y pequeñas alteraciones en algunos, como el calentamiento o el laminado, provocan defectos de producción y por tanto pérdida de calidad o piezas defectuosas. Por esto, poder identificar mediante visión artificial la calidad de las piezas en diferentes zonas del proceso de fabricación garantiza que la calidad final es la deseada, descartando las piezas defectuosas y localizando la fase más crítica.

Qué hacemos

Realizamos un análisis exploratorio de los datos y desarrollamos una solución basada en el desarrollo y entrenamiento de un sistema de aprendizaje profundo (deep learning). En este caso, una red neuronal convolucional U-Net.

Posteriormente, se vuelve a realizar un análisis exploratorio del resultado obtenido para garantizar que la precisión del modelo entrenado sea máxima.

Finalmente, se pone en producción la solución. Además, si se considera oportuno, se reentrena el modelo utilizando un conjunto de datos cada vez más actualizado.

Cómo lo hacemos

Análisis y clasificación de imágenes de entrada

Conjunto de imágenes que incluyan todos los defectos que se quieren clasificar.
Fichero con el tipo de defecto y la ubicación del defecto generado manualmente. En este caso se clasifican los posibles defectos en 4 grupos previamente definidos.

Entrenamiento específico del modelo

Se utiliza la librería segmentations-model de Keras con modelos preentrenados.
Se utiliza U-Net, una red neuronal convolucional para segmentación de imágenes.
La salida del modelo es una máscara con contornos fácilmente identificables que localizan los defectos que ha encontrado la red neuronal.

Despliegue

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.

¿Necesitas ayuda? Llama o escribe a nuestro equipo de expertos

CONTACTA

INNOVACIÓN

Sello Pyme Innovadora

SECTORES

Dónde Estamos

Linkedin-in Twitter
Open chat
1
¿Te ayudamos?
Powered by Join.chat
Bienvenido a LIS Data Solutions !! Déjanos tu contacto y un experto se pondrá en contacto enseguida
Copy link
CopyCopied
Powered by Social Snap