Sistema de visión artificial aplicado a la detección de anomalías en baldosas

Abstract

RESUMEN : El proyecto "Sistema de visión artificial aplicado a la detección de anomalías en baldosas" se centró en desarrollar y evaluar un modelo para la detección de anomalías en baldosas de cerámica. Utilizando un dataset de imágenes de baldosas, se implementó el modelo DFR (Deep Feature Reconstruction) en su versión basada en la red VGG19, ajustando y preprocesando las imágenes para mejorar la exactitud comparado con el modelo que actualmente se usa en Corona, llamado PIXAI. En este trabajo se realizaron múltiples iteraciones, se probaron diversas técnicas de preprocesamiento y ajustes del modelo, culminando en el modelo 044_Modelo_Recortadas_PCA, que demostró un rendimiento superior en todas las métricas clave. Los resultados obtenidos indican una mejora significativa en la reducción de falsos positivos y un aumento en la precisión de detección de anomalías comparado con PIXAI, lo que se traduce en importantes beneficios económicos y operacionales para la empresa. Este modelo no solo mejora el proceso de clasificación de baldosas, sino que también ofrece un enfoque práctico para su implementación en un entorno de producción real.

ABSTRACT : The project "Artificial vision system applied to the detection of anomalies in tiles" focused on developing and evaluating an efficient model for detecting anomalies in ceramic tiles. Using a dataset of tile images, the DFR (Deep Feature Reconstruction) model was implemented based on the VGG19 network, adjusting and preprocessing the images to enhance model accuracy. Through multiple iterations, various preprocessing techniques and model adjustments were tested, culminating in the 044_Modelo_Recortadas_PCA model, which demonstrated superior performance across all key metrics. The results indicate a significant improvement in reducing false positives and an increase in anomaly detection accuracy, translating into substantial economic and operational benefits for the company. This model not only optimizes the tile classification process but also offers a robust and practical approach for implementation in a real production environment.