000112248 001__ 112248
000112248 005__ 20220510091958.0
000112248 037__ $$aTAZ-TFM-2021-1524
000112248 041__ $$aspa
000112248 1001_ $$aNúñez Carrión, José Antonio
000112248 24200 $$aStudy of the feasibility of artificial neural networks for the detection of defects on the surface of car dashboards.
000112248 24500 $$aEstudio de la viabilidad de redes neuronales artificiales para la detección de defectos sobre la superficie de los salpicaderos de automóviles.
000112248 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2021
000112248 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000112248 520__ $$aEn una gran mayoría de los productos industriales, éstos se encuentran inevitablemente sujetos a una variabilidad de defectos debido a su diseño, condiciones del entorno o manipulación. Especialmente en los productos expuestos a la vista del consumidor la calidad es un aspecto especialmente crítico. Un defecto puede suponer el deshecho de la pieza con la consiguiente pérdida de recursos e impacto medioambiental. Los sistemas de inspección de defectos modernos se basan en la generación de un barrido de iluminación para producir sobre la superficie del defecto el llamado ‘efecto amplificación’ como consecuencia de las sombras generadas en los alrededores del defecto aumentando el tamaño del reflejo en la superficie. Sin embargo, las piezas de salpicadero y de revestimiento interior de automóviles presentan una serie de dificultades que dificultan su detección por este método. Presentan defectos con una alta variabilidad en sus características junto con una superficie mate oscura con huella impresa que llegan a resultar difícil su inspección incluso al ojo humano. A modo de solucionar este problema, este trabajo presenta método de estudio de la viabilidad de la detección de defectos sobre la línea de producción de salpicaderos del modelo Opel Corsa que se produce en las instalaciones de Módulos de Ribera alta (MRA) en Figueruelas (España). Este método propone un estudio previo en un banco de ensayos de las mejores configuraciones y condiciones para la implementación de un sistema de captura de defectos en la línea de producción. Mediante la captura masiva de imágenes de piezas en linea se ha creado un conjunto de 2160 imágenes consistentes en arrugas, gap, manchas y piezas sin defecto. Como es habitual, en problemas de reconocimiento de imágenes, la falta de imágenes ocasiona problemas de sobreajuste y datos desbalanceados. Se han usado técnicas de data augmentation y redes GAN para la generación de datos y de regularización para corregir el sobreajuste. Usando la transferencia de aprendizaje se han entrenado cuatro modelos de redes convolucionales preentrenadas: AlexNet, GoogLeNet-ImageNet; GoogLeNet-Places365 y ResNet-50 obteniendo los resultados de precisión sobre la validación de 99,22%, 99,34%, 99,54% y 98, 54% respectivamente; y 41.58%,56.44%, 41.58%, 52.48% sobre el conjunto de test. El modelo de mejor rendimiento ha sido usado como red de extracción para entrenamiento de detectores de objetos YOLOv2 y Faster R-CNN obteniendo un resultado máximo de mAP de 0,935. <br />
000112248 521__ $$aMáster Universitario en Ingeniería Industrial
000112248 540__ $$aDerechos regulados por licencia Creative Commons
000112248 700__ $$aSantolaria Mazo, Jorge$$edir.
000112248 7102_ $$aUniversidad de Zaragoza$$bIngeniería de Diseño y Fabricación$$cIngeniería de los Procesos de Fabricación
000112248 8560_ $$f669553@unizar.es
000112248 8564_ $$s6736625$$uhttps://zaguan.unizar.es/record/112248/files/TAZ-TFM-2021-1524.pdf$$yMemoria (spa)
000112248 909CO $$ooai:zaguan.unizar.es:112248$$pdriver$$ptrabajos-fin-master
000112248 950__ $$a
000112248 951__ $$adeposita:2022-05-10
000112248 980__ $$aTAZ$$bTFM$$cEINA
000112248 999__ $$a20211126124548.CREATION_DATE