Blog

El Blog de Visión por Computador: Llevando la tecnología a la industria

CNN Surfin EMVA 2016

Las redes neuronales convolucionales (CNNs) hacen evolucionar Surfin Hot inspection® de Tecnalia para asegurar el control de calidad automático

Tecnalia ha presentado recientemente una nueva versión del SURFIN Hot surface inspection® en el Primer Forum europeo de Visión Artificial de la Asociación europea de Vision EMVA. SURFIN lleva a cabo la detección y clasificación en tiempo real de defectos (por ejemplo marcas de rodillo, grietas, etc.) en etapas tempranas del proceso de producción en línea y/o el control final de productos metálicos tales como barras, tubos, palanquillas, planchones, beam blanks y perfil estructural. Opera tanto en caliente (aprox. 1000ºC) como en frío, evitando dar valor añadido a producto defectuoso, permitiendo tanto una trazabilidad completa de la producción como un mantenimiento preventivo, gracias a la información de proceso que se obtiene. El sistema está basado en procesado de imagen 2D especial con iluminación LED o láser y emplea técnicas de aprendizaje automático.

SURFIN ha evolucionado sustituyendo su módulo de clasificación previo (basado en Suport Vector Machines-SVM) con un desarrollo propio basado en Redes Neuronales Convolucionales (Convolutional Neural Networks-CNNs). Se ha evaluado la arquitectura CNN-SURFIN como clasificador sobre una base de datos de 3886 imágenes seleccionadas de barras captadas en caliente (2575 de ellas con superficie sin defectos aunque con muchos casos sospechosos y 1411 imágenes con defectos de 3 tipos diferentes), empleando una validación cruzada de 10 sets para la clasificación defecto / no defecto, con resultados de Área bajo la Curva ROC (AUC) de 0.9970, significativamente mejores que los previos, basados en SVM (que en el mejor de los casos obtenían una AUC de 0.88). En el proyecto además se realizaron comparaciones frente a clasificadores SVM y Random Forests, empleando características de textura (LBP), frente a las que la alternativa basada en deep learning obtuvo también mejores resultados. Por último se testeó CNN–SURFIN para las 4 clases planteadas, consiguiendo una AUC de 0.9956.

Teniendo en cuenta que el modelo Deep learning no sufre el riesgo de saturación de la capacidad del modelo (podemos aumentar su capacidad fácilmente ante un número creciente de muestras con gran varianza) y la mayor estabilidad del mismo, que permite a no expertos alimentar los sets de entrenamiento, la arquitectura Deep Learning convierte al nuevo SURFIN en una herramienta extremadamente flexible y precisa para la detección robusta de defectos y va a ser aplicado en varias instalaciones de Surfin en funcionamiento.

A. Alvarez-Gila, A. Lopez-Cruz, S. Rodriguez-Vaamonde, M. Linares, J. A. Gutierrez-Olabarria, and E. Garrote, “Deep Convolutional Neural Networks for surface quality inspection of hot long metal products,” presented at the First European Machine Vision Forum, Heidelberg, Germany, 2016

El Blog de Visión por Computador: Llevando la tecnología a la industria

Uso de cookies

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies, pinche el enlace para mayor información.plugin cookies

ACEPTAR