Deep Learning aplicado al diagnóstico de soldadura mediante espectroscopía óptica de plasmas

Abstract

RESUMEN: Desde hace unos años parece incuestionable que el ámbito la de Inteligencia Artificial avanza a pasos agigantados. Las organizaciones, que están en un continuo proceso de transformación, avance y desarrollo, han sido las grandes impulsoras de esta tecnología. Esto ayuda al procesamiento de datos en unas escalas de tiempo muy pequeñas, lo que facilita la optimización y mejora de productividad de la empresa. Por eso, actualmente se está apostando por el aprendizaje automatizado no supervisado, es decir, sin intervención humanda. Gracias a Deep Leraning se usa una metodología de aprendizaje parecida al que realiza el sistema nervioso humano, permitiendo que haya redes que se especialicen en la detección de determinadas características ocultas en los datos. Un uso interesante de Deep Learning es el etiquetado de distintos objetos vistos en imágenes, el cual tiene una gran precisión. En el caso a tratar durante este trabajo, se aplicará este reconocimiento, a la detección de espectros con líneas de emisión que puedan suponer que la soldadura realizada tiene algún defecto. Esto provoca una gran reducción de tiempo e investigación de los posibles fallos que han llevado a que una soldadura no esté realizada de una manera correcta.

ABSTRACT: For some years, it seems unquestionable that the field of Artificial Intelligence is advancing by leaps and bounds. The organizations, which are in a continuous process of transformation, advancement and development, have been the great drivers of this technology. This helps the processing of data in a very small time scales, which facilitates the optimization of the data and improvement of productivity of the company. Therefore, they are currently betting on automated learning not supervised, that is, without humane intervention. Thanks to Deep Leraning, a methodology similar to that of the human nervous system is used, allowing networks to specialize in detecting certain characteristics hidden in the data. An interesting use of Deep Learning is the labeling of different objects seen in images, which has great precision. In the case to be dealt with during this work, this recognition will be applied to the detection of spectra with emission lines that may assume that the welding is defective. This causes a great reduction of time and investigation of the possible failures that have taken to that a weld is not realized in a correct way.