DOI:

https://doi.org/10.14483/23448393.18934

Published:

2022-11-20

Issue:

Vol. 28 No. 1 (2023): January-April

Section:

Industrial Engineering

Aplicación 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

Authors

  • Lilia Edith Aparicio Pico Universidad Distrital Francisco José de Caldas
  • Paola Devia Lozano Universidad Distrital Francisco José de Caldas https://orcid.org/0000-0001-9192-8119
  • Oscar Julián Amaya Marroquin Universidad Distrital Francisco José de Caldas

Keywords:

control de calidad en producción, Deep Learning, defectos superficiales, Machine Learning (es).

Keywords:

production quality control, deep learning, surface defects, machine learning (en).

Abstract (es)

Contexto: Este artículo contiene un análisis de las aplicaciones de las distintas técnicas de Deep Learning y Machine Learning utilizadas en un gran rango de industrias para garantizar el control de la calidad en productos terminados mediante la identificación de los defectos superficiales.

Método: Se desarrolló una revisión sistemática de las tendencias y las aplicaciones de Deep Learning en procesos de calidad, tras la investigación en distintas bases de datos, se filtraron y clasificaron los artículos por industria y técnica específica de trabajo aplicada para su posterior análisis de utilidad y funcionamiento.

Resultados: Los resultados muestran por medio de casos de éxito la adaptabilidad y el potencial de aplicabilidad de esta técnica de inteligencia artificial a casi cualquier etapa de proceso de cualquier producto, esto debido al manejo de técnicas complementarias que se ajustan a las diferentes particularidades que presenten los datos, los procesos de producción y los requerimientos de calidad.

Conclusiones: El Deep Learning en complemento con técnicas como Machine Learning o Transfer Learning genera herramientas automatizadas, precisas y confiables para controlar la calidad de producción de todas las industrias.

Abstract (en)

Context: This article contains an analysis of the applications of different Deep Learning and Machine Learning techniques used in a wide range of industries to ensure quality control in finished products through the identification of surface defects.
Method: A systematic review of the trends and applications of Deep Learning in quality processes was developed, after research in different databases, the articles were filtered and classified by industry and specific work technique applied for subsequent analysis of usefulness and performance.
Results: The results show by means of success cases the adaptability and potential applicability of this Artificial Intelligence technique to almost any process stage of any product, this due to the handling of complementary techniques that adjust to the different particularities presented by the data, production processes and quality requirements.
Conclusions: Deep Learning in complement with techniques such as Machine Learning or Transfer Learning generates automated, accurate and reliable tools to control the quality of production in all industries.

Author Biography

Lilia Edith Aparicio Pico, Universidad Distrital Francisco José de Caldas

Doctor en Ciencias Técnicas de la Universidad Central Marta Abreu De Las Villas; Magíster en Teleinformática de la Universidad Distrital Francisco José de Caldas, Especialización en Gerencia de Proyectos Educativos de la Universidad Distrital Francisco José de Caldas; Licenciada en Ciencias de la educación Especiales; docente de la Universidad Distrital Francisco José de Caldas; pertenece y es directora del Grupo de investigación en Telemedicina GITEM++. Correo electrónico: medicina@udistrital.edu.co

References

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

How to Cite

APA

Aparicio Pico, L. E., Devia Lozano, P., & Amaya Marroquin, O. J. (2022). Aplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial: Una revisión de la literatura: . Ingeniería, 28(1), e18934. https://doi.org/10.14483/23448393.18934

ACM

[1]
Aparicio Pico, L.E., Devia Lozano, P. and Amaya Marroquin, O.J. 2022. Aplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial: Una revisión de la literatura: . Ingeniería. 28, 1 (Nov. 2022), e18934. DOI:https://doi.org/10.14483/23448393.18934.

ACS

(1)
Aparicio Pico, L. E.; Devia Lozano, P.; Amaya Marroquin, O. J. Aplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial: Una revisión de la literatura: . Ing. 2022, 28, e18934.

ABNT

APARICIO PICO, L. E.; DEVIA LOZANO, P.; AMAYA MARROQUIN, O. J. Aplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial: Una revisión de la literatura: . Ingeniería, [S. l.], v. 28, n. 1, p. e18934, 2022. DOI: 10.14483/23448393.18934. Disponível em: https://revistas.udistrital.edu.co/index.php/reving/article/view/18934. Acesso em: 7 dec. 2022.

Chicago

Aparicio Pico, Lilia Edith, Paola Devia Lozano, and Oscar Julian Amaya Marroquin. 2022. “Aplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial: Una revisión de la literatura: ”. Ingeniería 28 (1):e18934. https://doi.org/10.14483/23448393.18934.

Harvard

Aparicio Pico, L. E., Devia Lozano, P. and Amaya Marroquin, O. J. (2022) “Aplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial: Una revisión de la literatura: ”, Ingeniería, 28(1), p. e18934. doi: 10.14483/23448393.18934.

IEEE

[1]
L. E. Aparicio Pico, P. Devia Lozano, and O. J. Amaya Marroquin, “Aplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial: Una revisión de la literatura: ”, Ing., vol. 28, no. 1, p. e18934, Nov. 2022.

MLA

Aparicio Pico, L. E., P. Devia Lozano, and O. J. Amaya Marroquin. “Aplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial: Una revisión de la literatura: ”. Ingeniería, vol. 28, no. 1, Nov. 2022, p. e18934, doi:10.14483/23448393.18934.

Turabian

Aparicio Pico, Lilia Edith, Paola Devia Lozano, and Oscar Julian Amaya Marroquin. “Aplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial: Una revisión de la literatura: ”. Ingeniería 28, no. 1 (November 20, 2022): e18934. Accessed December 7, 2022. https://revistas.udistrital.edu.co/index.php/reving/article/view/18934.

Vancouver

1.
Aparicio Pico LE, Devia Lozano P, Amaya Marroquin OJ. Aplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial: Una revisión de la literatura: . Ing. [Internet]. 2022Nov.20 [cited 2022Dec.7];28(1):e18934. Available from: https://revistas.udistrital.edu.co/index.php/reving/article/view/18934

Download Citation

Visitas

21

Dimensions


PlumX


Downloads

Download data is not yet available.

Most read articles by the same author(s)

1 2 > >>