Sistema inteligente para la mejora continua de inspección visual de daño en autopartes en la industria

Janeth Yessenia Reyes Chávez; Humberto García Castellanos; Carlos Alberto Ochoa Ortiz; David Díaz Murillo

doi:10.61117/ipsumtec.v5i5.145

Autores/as

Janeth Yessenia Reyes Chávez Tecnológico Nacional del México https://orcid.org/0000-0003-2516-5672
Humberto García Castellanos Tecnológico Nacional del México https://orcid.org/0000-0002-4684-4888
Carlos Alberto Ochoa Ortiz Tecnológico Nacional del México https://orcid.org/0000-0003-4257-7476
David Díaz Murillo Colegio de Bachilleres plantel 7 https://orcid.org/0000-0003-3417-4503

DOI:

https://doi.org/10.61117/ipsumtec.v5i5.145

Palabras clave:

Sistema inteligente, Sensor de visión, Inspección visual, Inteligencia artificial, Industria 4.0, Redes neuronales

Resumen

El siguiente articulo describe parte de la investigación que se está llevando a cabo dentro del Instituto Tecnológico Nacional de México campus Ciudad Juárez sobre el sensor de visión Keyence a través de la inspección visual de una etiqueta con código QR, donde se analiza la importancia de la tecnología dentro de la industria automotriz. El sensor Keyence tiene la capacidad de comparar imágenes entiempo real en base a una imagen maestra e identifica los errores en un porcentaje de aceptación según sea cada imagen comparada. Con ello se está recabando información para determinar qué factores son importantes para una comparación de imágenes utilizando un sensor de visión. Se realizan pruebas de comparación de imágenes a través de un código QR en las cuales reducimos los factores y determinamos a través de la investigación cómo es posible obtener una imagen que sea aceptada por el sensor de visión. Actualmente se sigue trabajando en la investigación para poder enlistar los distintos factores que se atraviesan en la comparación de imágenes y podrían afectar en el resultado aun cuando utilizamos la inteligencia artificial. Si definimos los factores que afectan en la comparación de imágenes podremos obtener una imagen de mayor calidad y que sea aceptada por el sensor de visión aun porcentaje de excelencia y con ello sustentar que las herramientas utilizadas actualmente se desarrollan en base a investigaciones como la que se presenta en este artículo.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Citas

Jaramillo Ortiz, A., Jiménez, R., & Ramos, O. L. (2014). Inspección de calidad para un sistema de producción industrial basado en el procesamiento de imágenes. Tecnura, 18(41),76-90. DOI: https://doi.org/10.14483/udistrital.jour.tecnura.2014.3.a06

Cognex. (2022). QUÉ ES LA VISIÓN ARTIFICIAL. Retrieved from https://www.cognex.com/es-mx/what-is/machine-vision/what-is-machine-vision

Galán, H., & Martínez, A. (1998). Inteligencia artificial. Redes neuronales y aplicaciones. Carlos III Madrid.

Calatayud, A., & Katz, R. (2019). Cadena de suministro 4.0: Mejores prácticas internacionales y hoja de ruta para América Latina (Vol. 744): Inter-American Development Bank. DOI: https://doi.org/10.18235/0001956

Kuric, I., Klarák, J., Bulej, V., Sága, M., Kandera, M., Hajdučík, A., & Tucki, K. (2022). Approach to Automated Visual Inspection of Objects Based on Artificial Intelligence. Applied Sciences, 12(2), 864. DOI: https://doi.org/10.3390/app12020864

Rabiza, M. (2022). Point and Network Notions of Artificial Intelligence Agency. Paper presented at the Proceedings. DOI: https://doi.org/10.3390/proceedings2022081018

Bowen, A. M., Telemática, I., & Asensio, H. G. Inteligencia artificial. Redes neuronales y aplicaciones.

Aponte, A. (2012). Aplicación de técnicas de visión artificial para la inspección visual de recubrimiento de cable. (Maestría en Ingeniería: Ingeniería de Sistemas). Pontificia Universidad Javeriana Facultad de Ingenierías Santiago de Cali, Santiago de Cali. Retrieved from https://www.hbenitez.org/Students_files/monografia.pdf

Benbarrad, T., Salhaoui, M., Kenitar, S. B., & Arioua, M. (2021). Intelligent machine vision model for defective product inspection based on machine learning. Journal of Sensor and Actuator Networks, 10(1), 7. DOI: https://doi.org/10.3390/jsan10010007

Keyence. (2021a). Sistema de medición dimensional de imágenes Serie IM-8000. In.

Keyence. (2021b). Serie VR-6000 Perfilómetro Óptico 3D. In.

Keyence. (2022). IV-Navigator (IV-H1) Software. In.

Selmaier, A., Kunz, D., Kisskalt, D., Benaziz, M., Fürst, J., & Franke, J. (2022). Artificial Intelligence-Based Assistance System for Visual Inspection of X-ray Scatter Grids. Sensors, 22(3), 811. DOI: https://doi.org/10.3390/s22030811

Keyence. (2017). Soluciones de Trazabilidad para las Industrias Automotriz y de Autopartes. In.

Keyence. (2019). Sistema de visión multidimensional Serie CV-X/XG-X. In.