Monitorizado del proceso de trefilado mediante adquisición de imágenes y uso de redes neuronales

Abstract

Este Trabajo de Fin de Grado (TFG) se centra en la monitorización del proceso de trefilado mediante la adquisición de imágenes y su posterior procesamiento utilizando una red neuronal convolucional, específicamente ResNet50, implementada en MATLAB. El objetivo principal es identificar y clasificar imágenes del proceso de trefilado, diferenciando aquellas con defectos de las que no presentan anomalías, así como identificar el tipo de defecto que aparecen en las imágenes. Para llevar a cabo este estudio, se capturaron imágenes de muestras de cables obtenidos mediante el proceso de trefilado. Las imágenes fueron etiquetadas manualmente para entrenar y evaluar la red neuronal. Se utilizó la red neuronal ResNet50, con el objetivo de encontrar la solución óptima. El modelo fue entrenado y ajustado en MATLAB, empleando un conjunto de datos balanceado para evitar sesgos en la clasificación. Los resultados muestran una precisión equilibrada del 98.1% en la detección de defectos y un 98.11% en la clasificación de los mismos, destacando la efectividad de ResNet50 para este tipo de aplicaciones industriales. Además, se discuten las limitaciones del estudio y se proponen mejoras futuras, como la utilización de técnicas de aumento de datos y el empleo de cámaras de mayor resolución. En conclusión, la implementación de un sistema de monitorización basado en la adquisición de imágenes y el procesamiento mediante redes neuronales se presenta como una solución viable y efectiva para la identificación y clasificación de defectos en el proceso de trefilado.

This Final Degree Project (TFG) focuses on monitoring the wire drawing process through image acquisition and subsequent processing using a convolutional neural network, specifically ResNet50, implemented in MATLAB. The main objective is to identify and classify images from the wire drawing process, distinguishing those with defects from those without anomalies, as well as identifying the type of defect present in the images. For this study, images of wire samples obtained through the wire drawing process were captured. The images were manually labeled to train and evaluate the neural network. The ResNet50 neural network was used with the goal of finding the optimal solution. The model was trained and fine-tuned in MATLAB, using a balanced dataset to avoid biases in classification. The results show a balanced accuracy of 98.1% in defect detection and 98.11% in defect classification, highlighting the effectiveness of ResNet50 for this type of industrial application. Additionally, the study's limitations are discussed, and future improvements are proposed, such as the use of data augmentation techniques and higher-resolution cameras. In conclusion, the implementation of a monitoring system based on image acquisition and processing using neural networks is presented as a viable and effective solution for defect identification and classification in the wire drawing process.