En este trabajo se propone el desarrollo de un sistema automatizado para la detección de posibles defectos en soldaduras, haciendo uso de visión por computador combinada con técnicas actuales de aprendizaje profundo. Los fallos en la soldadura son frecuentes en distintos contextos industriales y, si no se detectan a tiempo, pueden llegar a afectar de forma significativa la seguridad de las estructuras o el funcionamiento general de los equipos. Con el objetivo de minimizar la intervención humana en procesos repetitivos, se plantea entrenar un modelo capaz de identificar visualmente anomalías en soldaduras. Esto permitiría agilizar las inspecciones, haciéndolas no solo más rápidas, sino también más consistentes y autónomas. Para lograrlo, se ha trabajado con una arquitectura basada en YOLOv8, conocida por su eficiencia en la detección de objetos en tiempo real. El desarrollo incluyó la recopilación y preparación de un conjunto de datos específico, ajustes en el entrenamiento dirigidos a mejorar el rendimiento en clases con menor precisión, y la aplicación de técnicas de data augmentation para aumentar la capacidad general del modelo frente a nuevos datos. Los resultados obtenidos muestran una mejora significativa en la detección de defectos, especialmente en aquellas categorías que inicialmente presentaban mayor dificultad. Esto sugiere que la solución desarrollada podría tener un impacto positivo en procesos de inspección automatizados dentro del sector industrial.
This work proposes the development of an automated system for the detection of potential welding defects, using computer vision combined with modern deep learning techniques. Welding failures are common in various industrial contexts and, if not detected in time, can significantly affect the safety of structures or the overall functioning of equipment. With the goal of minimizing human intervention in repetitive processes, the aim is to train a model capable of visually identifying anomalies in welds. This would speed up inspections, making them not only faster but also more consistent and autonomous. To achieve this, a YOLOv8-based architecture was used, known for its efficiency in real time object detection. The development included the collection and preparation of a specific dataset, training adjustments aimed at improving performance in lower-accuracy classes, and the application of data augmentation techniques to enhance the model’s general capability to handle new data. The results show a significant improvement in defect detection, especially in categories that initially posed greater challenges. This suggests that the developed solution could have a positive impact on automated inspection processes within the industrial sector.
