DOI:
https://doi.org/10.14483/23448393.18934Publicado:
2022-11-20Número:
Vol. 28 Núm. 1 (2023): Enero-AbrilSección:
Ingeniería IndustrialAplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial: Una revisión de la literatura
Application of Deep Learning for the Identification of Surface Defects Used in Manufacturing Quality Control and Industrial Production: A Literature Review
Palabras clave:
control de calidad en producción, Deep Learning, defectos superficiales, Machine Learning (es).Palabras clave:
production quality control, deep learning, surface defects, machine learning (en).Descargas
Referencias
I. Pastor-López et al., “Machine-learning-based surface defect detection and categorisation in high-precision foundry”, 2012 7th IEEE Conference on Industrial Electronics and Applications (ICIEA), pp. 325-332, 2012. https://doi.org/10.1109/ICIEA.2012.6360934 DOI: https://doi.org/10.1109/ICIEA.2012.6360934
C. Rodríguez González, Sistema automatizado de detección de defectos en piezas metálicas mediante ensayos no destructivos con ultrasonidos (Tesis doctoral), Universidad de Cantabria, 2012.
J. Yang et al., “Using deep learning to detect defects in manufacturing: a comprehensive survey and current challenges”, Materials, vol. 13, no. 24, 2020. https://doi.org/10.3390/ma13245755 DOI: https://doi.org/10.3390/ma13245755
M. Martínez-Soriano, P. Solana-González y A. A. Vanti, “Analítica de datos aplicada a los costes de no calidad en procesos productivos”, 2020.
C. Chen et al., “Monitoring of assembly process using deep learning technology”, Sensors, vol. 20, no. 15, 2020. https://doi.org/10.3390/s20154208 DOI: https://doi.org/10.3390/s20154208
A. Lokrantz, E. Gustavsson, and M. Jirstrand, “Root cause analysis of failures and quality deviations in manufacturing using machine learning”, Procedia CIRP, vol. 72, pp. 1057-1062, 2018. https://doi.org/10.1016/j.procir.2018.03.229 DOI: https://doi.org/10.1016/j.procir.2018.03.229
L. Ri-Xian, Y. Ming-Hai, and W. Xian-Bao, “Defects detection based on deep learning and transfer learning”, 2015. https://www.researchgate.net/publication/285367015_Defects_detection_based_on_deep_learning_and_transfer_learning
F. J. Mula Cruz y J. Conesa Pastor, “Aplicación de sistemas inteligentes al control de calidad de la producción de piezas en serie mediante la reconstrucción de imágenes”, XXIV Congreso Internacional de Dirección e Ingeniería de Proyectos, 2020. http://dspace.aeipro.com/xmlui/handle/123456789/2470
T. P. Carvalho et al., “A systematic literature review of machine learning methods applied to predictive maintenance”, Comput. Ind. Eng., vol. 137, 2019. https://doi.org/10.1016/j.cie.2019.106024 DOI: https://doi.org/10.1016/j.cie.2019.106024
A. Herrero Moretón, Estudio de las aplicaciones de Machine Learning y Deep Learning en el ámbito de la logística y la fabricación (Trabajo de grado), Universidad de Valladolid, 2019. http://uvadoc.uva.es/handle/10324/37823
R. S. Peres, J. Barata, P. Leitao, and G. Garcia, “Multistage quality control using machine learning in the automotive industry”, IEEE Access, vol. 7, pp. 79908-79916, 2019. https://doi.org/10.1109/ACCESS.2019.2923405 DOI: https://doi.org/10.1109/ACCESS.2019.2923405
Z. Kang, C. Catal, and B. Tekinerdogan, “Machine learning applications in production lines: A systematic literature review”, Computers and Industrial Engineering, vol. 149, 2020. https://doi.org/10.1016/j.cie.2020.106773 DOI: https://doi.org/10.1016/j.cie.2020.106773
Y. Roggo et al., “Deep learning for continuous manufacturing of pharmaceutical solid dosage form”, European Journal of Pharmaceutics and Biopharmaceutics, vol. 153, pp. 95-105, 2020. https://doi.org/10.1016/j.ejpb.2020.06.002 DOI: https://doi.org/10.1016/j.ejpb.2020.06.002
T. Morimoto, W. Purwanto, J. Suzuki, and Y. Hashimoto, “Optimization of heat treatment for fruit during storage using neural networks and genetic algorithms”, Comput. Electron. Agric., vol. 19, no. 1, pp. 87-101, 1997. https://doi.org/10.1016/S0168-1699(97)00037-9 DOI: https://doi.org/10.1016/S0168-1699(97)00037-9
K. Nakano, “Application of neural networks to the color grading of apples”, Comput. Electron. Agric., vol. 18, no. 2-3, pp. 105-116, 1997. https://doi.org/10.1016/S0168-1699(97)00023-9 DOI: https://doi.org/10.1016/S0168-1699(97)00023-9
W. C. Lin, and B. D. Hill, “Neural network modelling of fruit colour and crop variables to predict harvest dates of greenhouse-grown sweet peppers”, Canadian Journal of Plant Science, vol. 87, no. 1, 2007. https://doi.org/10.4141/P05-231 DOI: https://doi.org/10.4141/P05-231
J. Contreras Ayala, Procesamiento de imágenes de fruto de palma de aceite mediante técnicas de Machine Learning para la clasificación de fruto y prediccion de la calidad de aceite de palma (Trabajo de grado), Universidad de los Andes, 2018. https://repositorio.uniandes.edu.co/bitstream/handle/1992/39265/u821167.pdf
D. Medina Tobón, Conteo de flores y frutos para el monitoreo del cultivo de aguacate Hass por medio de imágenes utilizando Machine Learning (Trabajo de grado), Universidad de los Andes, 2021.
C. J. Pallares, K. S. Lallemand y F. D. Visbal, Control preventivo de sigatoka negra en cultivo banano apoyado en redes convolucionales (Proyecto de grado), Universidad del Norte. https://manglar.uninorte.edu.co/handle/10584/9533
W. Dawei et al., “Recognition pest by image-based transfer learning”, J. Sci. Food Agric., vol. 99, no. 10, pp. 4524-4531, 2019. https://doi.org/10.1002/jsfa.9689 DOI: https://doi.org/10.1002/jsfa.9689
C. A. Escobar, and R. Morales-Menendez, “Machine learning techniques for quality control in high conformance manufacturing environment”, Adv. Mech. Eng., vol. 10, no. 2, 2018. https://doi.org/10.1177/1687814018755519 DOI: https://doi.org/10.1177/1687814018755519
O. A. Muñoz Amaya, Diseño de un sistema de visión artificial para el análisis de calidad y producción de rosas (Trabajo de grado), Universidad Pedagógica Nacional, 2018. http://upnblib.pedagogica.edu.co/handle/20.500.12209/12074
R. Alfatiyah, S. Bastuti, and D. Kurnia, “Implementation of statistical quality control to reduce defects in Mabell Nugget products (Case study at PT. Petra Sejahtera Abadi)”, IOP Conf. Ser. Mater. Sci. Eng., vol. 852, 2019. https://doi.org/10.1088/1757-899X/852/1/012107 DOI: https://doi.org/10.1088/1757-899X/852/1/012107
S. Mei, Y. Wang, and G. Wen, “Automatic fabric defect detection with a multi-scale convolutional denoising autoencoder network model”, Sensors, vol. 18, no. 4, 2018. https://doi.org/10.3390/s18041064 DOI: https://doi.org/10.3390/s18041064
K. L. Mak, P. Peng, and K. F. C. Yiu, “Fabric defect detection using morphological filters”, Image Vis. Comput., vol. 27, no. 10, pp. 1585-1592, 2009. https://doi.org/10.1016/j.imavis.2009.03.007 DOI: https://doi.org/10.1016/j.imavis.2009.03.007
Y. A. Hoyos Montes, Detección de defectos en fibras textiles utilizando algoritmos de Deep Learning, Universidad de Antioquia, 2020. http://bibliotecadigital.udea.edu.co/handle/10495/15470
J. Molina, J. E. Solanes, L. Arnal, and J. Tornero, “On the detection of defects on specular car body surfaces”, Robot. Comput. Integr. Manuf., vol. 48, pp. 263-278, 2017. https://doi.org/10.1016/j.rcim.2017.04.009 DOI: https://doi.org/10.1016/j.rcim.2017.04.009
H. Yue, H. Wang, H. Chen, K. Cai, and Y. Jin, “Automatic detection of feather defects using Lie group and fuzzy Fisher criterion for shuttlecock production”, Mech. Syst. Signal Process., vol. 141, 2020. https://doi.org/10.1016/j.ymssp.2020.106690 DOI: https://doi.org/10.1016/j.ymssp.2020.106690
T. Ko et al., “Machine learning-based anomaly detection via integration of manufacturing, inspection and after-sales service data”, Ind. Manag. Data Syst., vol. 117, no. 5, pp. 927-945, 2017. https://doi.org/10.1108/IMDS-06-2016-0195 DOI: https://doi.org/10.1108/IMDS-06-2016-0195
T. H. Y. Fong, Identifying Product Defects by Applying a Predictive Model to Customer Reviews (Doctoral Dissertation), George Washington University, 2020.
G. Krummenacher, C. S. Ong, S. Koller, S. Kobayashi, and J. M. Buhmann, “Wheel defect detection with machine learning”, IEEE Trans. Intell. Transp. Syst., vol. 19, no. 4, pp. 1176-1187, 2018. https://doi.org/10.1109/TITS.2017.2720721 DOI: https://doi.org/10.1109/TITS.2017.2720721
F. J. de la Calle Herrero, Inspección superficial de productos largos en tiempo real basada en visión por computador (Tesis doctoral), Universidad de Oviedo, 2020. https://digibuo.uniovi.es/dspace/handle/10651/57678
A. Caggiano et al., “Machine learning-based image processing for on-line defect recognition in additive manufacturing”, CIRP Ann., vol. 68, no. 1, pp. 451-454, 2019. https://doi.org/10.1016/j.cirp.2019.03.021 DOI: https://doi.org/10.1016/j.cirp.2019.03.021
Z. Li, Z. Zhang, J. Shi, and D. Wu, “Prediction of surface roughness in extrusion-based additive manufacturing with machine learning”, Robot. Comput. Integr. Manuf., vol. 57, pp. 488-495, 2019. https://doi.org/10.1016/j.rcim.2019.01.004 DOI: https://doi.org/10.1016/j.rcim.2019.01.004
J. Villalba-Diez et al., “Deep learning for industrial computer vision quality control in the printing industry 4.0”, Sensors, vol. 19, no. 18, 2019. https://doi.org/10.3390/s19183987 DOI: https://doi.org/10.3390/s19183987
D. He, K. Xu, and P. Zhou, “Defect detection of hot rolled steels with a new object detection framework called classification priority network”, Comput. Ind. Eng., vol. 128, pp. 290-297, 2019. https://doi.org/10.1016/j.cie.2018.12.043 DOI: https://doi.org/10.1016/j.cie.2018.12.043
F. Li et al., “Ensemble machine learning systems for the estimation of steel quality control”, 2018 IEEE International Conference on Big Data (Big Data), pp. 2245-2252, 2019. https://doi.org/10.1109/BigData.2018.8622583 DOI: https://doi.org/10.1109/BigData.2018.8622583
C. Roncancio Valencia, F. Gayubo Rojo, J. Gómez García Bermejo, and E. Zalama Casanova, “Detección e identificación de defectos superficiales en diversas clases de chapa laminada mediante visión por computador y redes neuronales”, XXVIII Jornadas de Automática, Huelva, Comité Español de Automática, 2007.
R. Shanmugamani, M. Sadique, and B. Ramamoorthy, “Detection and classification of surface defects of gun barrels using computer vision and machine learning”, Measurement, vol. 60, pp. 222-230, 2015. https://doi.org/10.1016/j.measurement.2014.10.009 DOI: https://doi.org/10.1016/j.measurement.2014.10.009
D. García Peña, Diseño e implementación de técnicas de Machine Learning para la detección de defectos superficiales en piezas sometidas a procesos de estampado o fundición (Trabajo de Máster), 2021. https://digibuo.uniovi.es/dspace/handle/10651/58097
M. Ferguson, R. Ak, Y.-T. T. Lee, and K. H. Law, “Detection and segmentation of manufacturing defects with convolutional neural networks and transfer learning”, Smart Sustain. Manuf. Syst., vol. 2, no. 1, pp. 137-164, 2018. https://doi.org/10.48550/arXiv.1808.02518 DOI: https://doi.org/10.1520/SSMS20180033
S. Schorr et al., “Quality prediction of reamed bores based on process data and machine learning algorithm: A contribution to a more sustainable manufacturing”, Procedia Manufacturing, vol. 43, pp. 519-526, 2020. https://doi.org/10.1016/j.promfg.2020.02.180 DOI: https://doi.org/10.1016/j.promfg.2020.02.180
A. Rodríguez Collado, Detección de defectos en tiempo real en una línea de fabricación de tableros mediante técnicas de reconocimiento de patrones (Trabajo de grado), Universidad de Valladolid, 2019. http://uvadoc.uva.es/handle/10324/38771
N.-D. Hoang, “Image processing-based recognition of wall defects using machine learning approaches and steerable filters”, Comput. Intell. Neurosci., vol. 2018, 2018. https://doi.org/10.1155/2018/7913952 DOI: https://doi.org/10.1155/2018/7913952
Y. Gong, H. Shao, J. Luo, and Z. Li, “A deep transfer learning model for inclusion defect detection of aeronautics composite materials”, Compos. Struct., vol. 252, 2020. https://doi.org/10.1016/j.compstruct.2020.112681 DOI: https://doi.org/10.1016/j.compstruct.2020.112681
M. Pillai et al., “Using artificial intelligence to improve the quality and safety of radiation therapy”, J Am Coll Radiol, vol. 16, no. 9, pp. 1267-1272, 2019. https://doi.org/10.1016/j.jacr.2019.06.001 DOI: https://doi.org/10.1016/j.jacr.2019.06.001
T. Brito et al., “A machine learning approach for collaborative robot smart manufacturing inspection for quality control systems”, Procedia Manufacturing, vol. 51, pp. 11-18, 2020. https://doi.org/10.1016/j.promfg.2020.10.003 DOI: https://doi.org/10.1016/j.promfg.2020.10.003
R. Ye, C.-S. Pan, M. Chang, and Q. Yu, “Intelligent defect classification system based on deep learning”, Adv. Mech. Eng., vol. 10, no. 3, 2018. https://doi.org/10.1177/1687814018766682 DOI: https://doi.org/10.1177/1687814018766682
J. Hanhirova, J. Harjuhahto, J. Harjuhahto, and V. Hirvisalo, “A machine learning based quality control system for power cable manufacturing”, 2019 IEEE 17th International Conference on Industrial Informatics (INDIN), pp. 193-198. https://doi.org/10.1109/INDIN41052.2019.8972281 DOI: https://doi.org/10.1109/INDIN41052.2019.8972281
G. Alonso y Y. Rodríguez, “Calidad + IA, software basado en inteligencia artificial para la gestión de la calidad en la producción de habanos”, 2009.
S. Mehta, and K. S. Patnaik, “Improved prediction of software defects using ensemble machine learning techniques”, Neural Comput. Appl., vol. 33, pp. 10551-10562, 2021. https://doi.org/10.1007/s00521-021-05811-3 DOI: https://doi.org/10.1007/s00521-021-05811-3
D. L. Pachón Espinel, Prototipo de sistema automatizado con visión artificial para la selección de empaques de plástico, vidrio y lata en el proceso de reciclaje (Trabajo de grado), Universidad de Cundinamarca Extensión Chía, 2019. https://repositorio.ucundinamarca.edu.co/handle/20.500.12558/2497
R. D. Mendieta Martínez, H. Velandia y J. González, “Clasificación de microorganismos en muestras de agua aplicando Deep Learning en imágenes de microscopia”, REDSI, vol. 2, no. 2, 2019. https://revistas.unipamplona.edu.co/ojs_viceinves/index.php/SEMINVE/article/view/4136
A. Huertas, Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas (Trabajo de grado), Universidad Santo Tomás, 2020. https://repository.usta.edu.co/handle/11634/29886
M. A. Zamora Hernández, Arquitectura para el control visual de ensamblajes en Industria 4.0 basado en aprendizaje profundo (Tesis doctoral), Universidad de Alicante, 2020. http://rua.ua.es/dspace/handle/10045/115750
T. Wuest, D. Weimer, C. Irgens, and K.-D. Thoben, “Machine learning in manufacturing: Advantages, challenges, and applications”, Prod. Manuf. Res., vol. 4, no. 1, pp. 23-45, 2016. https://doi.org/10.1080/21693277.2016.1192517 DOI: https://doi.org/10.1080/21693277.2016.1192517
C. A. Velasquez Ponce, Geología y optimización del control de calidad con el uso del analizador de fluorescencia por rayos X (XRF) en Unidad Minera Cerro Lindo, Chincha - Ica (Tesis de grado), Universidad Nacional de San Agustín de Arequipa, 2019. http://190.119.145.154/handle/UNSA/10521
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Derechos de autor 2022 Paola Devia Lozano, Lilia Edith Aparicio Pico, Oscar Julián Amaya Marroquin
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
A partir de la edición del V23N3 del año 2018 hacia adelante, se cambia la Licencia Creative Commons “Atribución—No Comercial – Sin Obra Derivada” a la siguiente:
Atribución - No Comercial – Compartir igual: esta licencia permite a otros distribuir, remezclar, retocar, y crear a partir de tu obra de modo no comercial, siempre y cuando te den crédito y licencien sus nuevas creaciones bajo las mismas condiciones.
2.jpg)
