Sistema inteligente basado en el reconocimiento de imágenes para la clasificación de discos de aluminio en una empresa fundidora en Chiclayo

Abstract

El presente estudio abordó la problemática de la distribución de discos de aluminio sin una inspección de calidad adecuada, ya que el proceso se realizaba manualmente, lo que generaba pérdidas económicas y posibles riesgos para la salud de los consumidores de utensilios fabricados con este material. Como solución, se desarrolló un sistema inteligente basado en reconocimiento de imágenes para clasificar los discos según patrones visuales establecidos en la industria fundidora. Para lograrlo, se recopiló información sobre los defectos consultando a expertos en su fabricación. Seguidamente, se creó el algoritmo adecuado para procesar las imágenes de los discos, lo cual fue posible gracias a la metodología XP y Machine Learning. Como algoritmo adecuado para clasificar los discos con los estándares previamente definidos, se eligió a las redes neuronales convolucionales, las cuales fueron programadas con Python, mientras que la interfaz del sistema fue diseñada usando PHP con Laravel. Como entradas se utilizaron 1200 imágenes de 350 pixeles a color RGB, las cuáles se dividieron en dos grupos de imágenes buenas y otras con defectos relacionados a los defectos en el disco. El modelo desarrollado alcanzó una precisión del 97% en la detección de discos de aluminio aptos para su pase a venta, además de identificar la cantidad de discos dañados. Finalmente, se validó la experiencia de uso del sistema inteligente mediante el modelo TAM obteniendo un 98 % en facilidad de uso y utilidad percibida.

This study addressed the problem of the distribution of aluminum disks without an adequate quality inspection, since the process was carried out manually, which generated economic losses and possible health risks for consumers of utensils made of this material. As a solution, an intelligent system based on image recognition was developed to classify the discs according to visual patterns established in the foundry industry. To achieve this, information on the defects was gathered by consulting experts in their manufacture. Then, the appropriate algorithm was created to process the disc images, which was possible thanks to the XP methodology and Machine Learning. Convolutional neural networks were chosen as the appropriate algorithm to classify the disks with the previously defined standards, which were programmed with Python, while the system interface was designed using PHP with Laravel. As inputs, 1200 images of 350 pixel in RGB color were used, which were divided into two groups of good and flawed images related to disk defects. The developed model achieved an accuracy of 97% in the detection of aluminum discs suitable for sale, in addition to identifying the number of damaged discs. Finally, the experience of use of the intelligent system was validated by means of the TAM model, obtaining 98% in ease of use and perceived usefulness.