Diseño e implementación de técnicas de Machine Learning para la detección de defectos superficiales en piezas sometidas a procesos de estampado o fundición

Hoy en día los controles de calidad en la industria de la manufactura son cada vez más rigurosos e importantes, demandando un control del 100% de la producción, tanto en las características dimensionales como en la detección de existencia de defectos, tanto superficiales como internos de los product...

ver descrição completa

Detalhes bibliográficos
Autor: García Peña, Daniel
Formato: tesis de maestría
Fecha de publicación:2021
País:España
Recursos:Universidad de Oviedo (UNIOVI)
Repositorio:RUO. Repositorio Institucional de la Universidad de Oviedo
Idioma:español
OAI Identifier:oai:digibuo.uniovi.es:10651/58097
Acesso em linha:http://hdl.handle.net/10651/58097
Access Level:acceso abierto
Palavra-chave:Machine Learning
Análisis de datos
Visión artificial
Detección de defectos
id ES_d7ece4be2bd3ac8522bba897622c5f45
oai_identifier_str oai:digibuo.uniovi.es:10651/58097
network_acronym_str ES
network_name_str España
repository_id_str
spelling Diseño e implementación de técnicas de Machine Learning para la detección de defectos superficiales en piezas sometidas a procesos de estampado o fundiciónGarcía Peña, DanielMachine LearningAnálisis de datosVisión artificialDetección de defectosHoy en día los controles de calidad en la industria de la manufactura son cada vez más rigurosos e importantes, demandando un control del 100% de la producción, tanto en las características dimensionales como en la detección de existencia de defectos, tanto superficiales como internos de los productos. En este contexto, DSIplus ha centrado sus esfuerzos en el desarrollo de sistemas de medición sin contacto basados en la tecnología de visión artificial. Pese a que estos sistemas son capaces de detectar con gran precisión posibles defectos en la superficie de la pieza, resulta complicado establecer manualmente una serie de umbrales para diferenciar los defectos reales de los denominados falsos positivos (FP). En este proyecto se propone la aplicación de técnicas de Machine Learning con el objetivo de complementar a las técnicas de visión clásicas para la detección de defectos superficiales.García Pérez, DiegoDíaz Blanco, Ignacio20212021-02-17master thesishttp://purl.org/coar/resource_type/c_bdccNAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/masterThesishttp://hdl.handle.net/10651/58097reponame:RUO. Repositorio Institucional de la Universidad de Oviedoinstname:Universidad de Oviedo (UNIOVI)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessoai:digibuo.uniovi.es:10651/580972026-06-07T06:38:51Z
dc.title.none.fl_str_mv Diseño e implementación de técnicas de Machine Learning para la detección de defectos superficiales en piezas sometidas a procesos de estampado o fundición
title Diseño e implementación de técnicas de Machine Learning para la detección de defectos superficiales en piezas sometidas a procesos de estampado o fundición
spellingShingle Diseño e implementación de técnicas de Machine Learning para la detección de defectos superficiales en piezas sometidas a procesos de estampado o fundición
García Peña, Daniel
Machine Learning
Análisis de datos
Visión artificial
Detección de defectos
title_short Diseño e implementación de técnicas de Machine Learning para la detección de defectos superficiales en piezas sometidas a procesos de estampado o fundición
title_full Diseño e implementación de técnicas de Machine Learning para la detección de defectos superficiales en piezas sometidas a procesos de estampado o fundición
title_fullStr Diseño e implementación de técnicas de Machine Learning para la detección de defectos superficiales en piezas sometidas a procesos de estampado o fundición
title_full_unstemmed Diseño e implementación de técnicas de Machine Learning para la detección de defectos superficiales en piezas sometidas a procesos de estampado o fundición
title_sort Diseño e implementación de técnicas de Machine Learning para la detección de defectos superficiales en piezas sometidas a procesos de estampado o fundición
dc.creator.none.fl_str_mv García Peña, Daniel
author García Peña, Daniel
author_facet García Peña, Daniel
author_role author
dc.contributor.none.fl_str_mv García Pérez, Diego
Díaz Blanco, Ignacio
dc.subject.none.fl_str_mv Machine Learning
Análisis de datos
Visión artificial
Detección de defectos
topic Machine Learning
Análisis de datos
Visión artificial
Detección de defectos
description Hoy en día los controles de calidad en la industria de la manufactura son cada vez más rigurosos e importantes, demandando un control del 100% de la producción, tanto en las características dimensionales como en la detección de existencia de defectos, tanto superficiales como internos de los productos. En este contexto, DSIplus ha centrado sus esfuerzos en el desarrollo de sistemas de medición sin contacto basados en la tecnología de visión artificial. Pese a que estos sistemas son capaces de detectar con gran precisión posibles defectos en la superficie de la pieza, resulta complicado establecer manualmente una serie de umbrales para diferenciar los defectos reales de los denominados falsos positivos (FP). En este proyecto se propone la aplicación de técnicas de Machine Learning con el objetivo de complementar a las técnicas de visión clásicas para la detección de defectos superficiales.
publishDate 2021
dc.date.none.fl_str_mv 2021
2021-02-17
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10651/58097
url http://hdl.handle.net/10651/58097
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:RUO. Repositorio Institucional de la Universidad de Oviedo
instname:Universidad de Oviedo (UNIOVI)
instname_str Universidad de Oviedo (UNIOVI)
reponame_str RUO. Repositorio Institucional de la Universidad de Oviedo
collection RUO. Repositorio Institucional de la Universidad de Oviedo
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869421052064432128
score 15,301629

Registos relacionados