Logotipo del repositorio
 

Visual inspection using deep learning techniques for industrial manufacturing processes with class imbalance and limited labeled data

Vista sencilla de ítem
dc.contributor.advisorMartinez Luna, Carol Viviana
dc.contributor.authorBarrero Lizarazo, Nicolás
dc.date.accessioned2021-03-11T22:39:47Z
dc.date.available2021-03-11T22:39:47Z
dc.date.created2020-12
dc.description.abstractEn los últimos años se ha utilizado la visión por ordenador para realizar inspecciones visuales en procesos industriales. Sin embargo, el procesamiento de imágenes convencional se limita a escenarios muy controlados y a tareas específicas como la lectura e identificación de códigos de barras, el calibrado y el dimensionamiento, la inspección básica de materiales y la localización y el recuento. En los procesos industriales, otras tareas de inspección visual requieren técnicas sofisticadas, por ejemplo, la detección y segmentación avanzada de defectos, la localización de características y la verificación de ensamblajes, entre otras. En la actualidad, estas tareas implementan técnicas de aprendizaje automático basadas en el aprendizaje profundo para lograr un rendimiento superior al de la inspección manual. Por lo general, se considera que el enfoque de aprendizaje profundo requiere muchos datos etiquetados para generar un modelo aceptable, lo que a menudo obstaculiza la adopción generalizada del aprendizaje profundo en las industrias que están limitadas a la disponibilidad de datos etiquetados. Por otra parte, como es natural en la inspección visual, los defectos están presentes con menos frecuencia que las piezas regulares, creando así un desbalance de clases que podría complicar el entrenamiento de un modelo robusto de aprendizaje profundo. Por otro lado, otras técnicas de aprendizaje de máquina aplicadas a la inspección visual requieren experiencia en ingeniería de características para crear un modelo y, a menudo, los resultados se limitan a características muy específicas que no pueden extrapolarse a un entorno, material o rasgo diferente a identificar. El objetivo de este proyecto es desplegar un algoritmo de aprendizaje profundo para la inspección visual que trate el desbalance de clases y la disponibilidad de datos en un caso de estudio (inspección de la superficie de láminas de acero), presentando diferentes enfoques utilizados para lograr el modelo final.spa
dc.description.abstractenglishIn recent years computer vision have been used to perform visual inspection in industrial processes. However, conventional image processing is limited to high-controlled scenarios and specific tasks such bar-code reading and identification, gauging and measurement, basic material inspection and, location and counting. In industrial processes other visual inspection tasks require well-developed techniques, for instance, advanced defect detection and segmentation, feature location, and assembly verification, amongst others. Nowadays, these tasks implement machine learning techniques based on deep learning to achieve outstanding performance over manual inspection. Usually, it is believed that the deep learning approach requires many labeled data to generate an acceptable model, this often hinders the widespread adoption of deep learning in industries which are limited to the availability of labeled data. Additionally, as it is natural in visual inspection, defects are present less frequent than regular pieces, thus creating a class imbalance that could complicate the training of a robust deep learning model. On the other hand, other machine learning techniques applied to visual inspection require expertise in feature engineering to create a model and often the results are limited to very specific characteristics that cannot be extrapolated to a different environment, material or characteristic to be identified. The purpose of this project is to deploy a deep learning algorithm for visual inspection that deals with class imbalance and data availability in a case of study (steel sheet surface inspection), presenting different approaches used to achieve the final model.spa
dc.description.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001725985spa
dc.description.degreelevelMaestríaspa
dc.description.degreenameMagíster en Ingeniería Industrialspa
dc.formatPDFspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.doihttps://doi.org/10.11144/Javeriana.10554.53233
dc.identifier.instnameinstname:Pontificia Universidad Javerianaspa
dc.identifier.reponamereponame:Repositorio Institucional - Pontificia Universidad Javerianaspa
dc.identifier.repourlrepourl:https://repository.javeriana.edu.cospa
dc.identifier.urihttp://hdl.handle.net/10554/53233
dc.language.isospaspa
dc.publisherPontificia Universidad Javerianaspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.programMaestría en Ingeniería Industrialspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.licenceAtribución-NoComercial-SinDerivadas 4.0 Internacional*
dc.rights.localDe acuerdo con la naturaleza del uso concedido, la presente licencia parcial se otorga a título gratuito por el máximo tiempo legal colombiano, con el propósito de que en dicho lapso mi (nuestra) obra sea explotada en las condiciones aquí estipuladas y para los fines indicados, respetando siempre la titularidad de los derechos patrimoniales y morales correspondientes, de acuerdo con los usos honrados, de manera proporcional y justificada a la finalidad perseguida, sin ánimo de lucro ni de comercialización. De manera complementaria, garantizo (garantizamos) en mi (nuestra) calidad de estudiante (s) y por ende autor (es) exclusivo (s), que la Tesis o Trabajo de Grado en cuestión, es producto de mi (nuestra) plena autoría, de mi (nuestro) esfuerzo personal intelectual, como consecuencia de mi (nuestra) creación original particular y, por tanto, soy (somos) el (los) único (s) titular (es) de la misma. Además, aseguro (aseguramos) que no contiene citas, ni transcripciones de otras obras protegidas, por fuera de los límites autorizados por la ley, según los usos honrados, y en proporción a los fines previstos; ni tampoco contempla declaraciones difamatorias contra terceros; respetando el derecho a la imagen, intimidad, buen nombre y demás derechos constitucionales. Adicionalmente, manifiesto (manifestamos) que no se incluyeron expresiones contrarias al orden público ni a las buenas costumbres. En consecuencia, la responsabilidad directa en la elaboración, presentación, investigación y, en general, contenidos de la Tesis o Trabajo de Grado es de mí (nuestro) competencia exclusiva, eximiendo de toda responsabilidad a la Pontifica Universidad Javeriana por tales aspectos. Sin perjuicio de los usos y atribuciones otorgadas en virtud de este documento, continuaré (continuaremos) conservando los correspondientes derechos patrimoniales sin modificación o restricción alguna, puesto que, de acuerdo con la legislación colombiana aplicable, el presente es un acuerdo jurídico que en ningún caso conlleva la enajenación de los derechos patrimoniales derivados del régimen del Derecho de Autor. De conformidad con lo establecido en el artículo 30 de la Ley 23 de 1982 y el artículo 11 de la Decisión Andina 351 de 1993, "Los derechos morales sobre el trabajo son propiedad de los autores", los cuales son irrenunciables, imprescriptibles, inembargables e inalienables. En consecuencia, la Pontificia Universidad Javeriana está en la obligación de RESPETARLOS Y HACERLOS RESPETAR, para lo cual tomará las medidas correspondientes para garantizar su observancia.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectVisión por computadorspa
dc.subjectAprendizaje profundospa
dc.subjectAprendizaje de maquinaspa
dc.subjectU-Netspa
dc.subjectSegmentación semánticaspa
dc.subjectInteligencia artificialspa
dc.subjectProcesamiento de imágenesspa
dc.subjectRedes neuronalesspa
dc.subjectRedes neuronales convolucionadasspa
dc.subjectKerasspa
dc.subjectInspección visualspa
dc.subjectDesbalanceo de clasesspa
dc.subjectOptimizacionspa
dc.subjectAprendizaje de transferenciaspa
dc.subjectAprendizaje supervisadospa
dc.subjectCiencia de datosspa
dc.subjectInspección de superficiespa
dc.subjectLaminas de acerospa
dc.subjectExtracción de característicasspa
dc.subjectXceptionspa
dc.subjectRedes neuronales artificialesspa
dc.subject.armarcMaestría en ingeniería industrial - Tesis y disertaciones académicasspa
dc.subject.armarcInteligencia artificialspa
dc.subject.armarcRobóticaspa
dc.subject.armarcRedes neuronales (Computadores)spa
dc.subject.armarcAprendizaje automático (Inteligencia artificial)spa
dc.subject.keywordComputer visionspa
dc.subject.keywordDeep learningspa
dc.subject.keywordMachine learningspa
dc.subject.keywordArtificial intelligencespa
dc.subject.keywordSemantic segmentationspa
dc.subject.keywordImage processingspa
dc.subject.keywordNeural networksspa
dc.subject.keywordKerasspa
dc.subject.keywordVisual inspectionspa
dc.subject.keywordClass imbalancespa
dc.subject.keywordConvolutional neural networksspa
dc.subject.keywordU-Netspa
dc.subject.keywordOptimizationspa
dc.subject.keywordImage segmentationspa
dc.subject.keywordTransfer learningspa
dc.subject.keywordSupervised learningspa
dc.subject.keywordDeepwise separable convolutionspa
dc.subject.keywordData sciencespa
dc.subject.keywordSurface inspectionspa
dc.subject.keywordSteel sheetsspa
dc.subject.keywordFeature extractionspa
dc.subject.keywordXceptionspa
dc.subject.keywordArtificial neural networksspa
dc.titleVisual inspection using deep learning techniques for industrial manufacturing processes with class imbalance and limited labeled dataspa
dc.title.englishVisual inspection using deep learning techniques for industrial manufacturing processes with class imbalance and limited labeled dataspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.hasversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.localTesis/Trabajo de grado - Monografía - Maestríaspa

Archivos

Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
Visual Inspection Using Deep Learning Techniques for Industrial Manufacturing Processes.pdf
Tamaño:
4.37 MB
Formato:
Adobe Portable Document Format
Descripción:
Documento
Descargar
No hay miniatura disponible
Nombre:
CARTA DE AUTORIZACION DE LOS AUTORES.pdf
Tamaño:
1.63 MB
Formato:
Adobe Portable Document Format
Descripción:
Licencia de uso
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.54 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ingeniería Industrial