Revisión de la literatura sobre el uso del aprendizaje profundo enfocado en sistemas de inspección ópticos automatizados para la detección de defectos superficiales en el sector de la manufactura

Abstract

El sector de la manufactura utiliza metodologías de aprendizaje automático supervisado que permiten mejorar procesos de inspección mediante la visión artificial. La inspección óptica automatizada ofrece eficiencia en el proceso de inspección para la detección de defectos en la fabricación de diversos productos. Este trabajo aporta con la identificación de aquellas limitaciones en el procesamiento de datos basados en el conjunto de reglas definidas y la gestión del dominio del proceso. Se propone una revisión de literatura sobre el uso del aprendizaje profundo enfocado a los sistemas de inspección ópticos automatizados para la detección de defectos superficiales en el sector de la manufactura. El objetivo propuesto es de identificar las diferentes arquitecturas orientadas en redes neuronales convolucionales aplicadas en sistemas de inspección óptico con el fin de automatizar la extracción de características o patrones. Por medio de la exploración de trabajos relevantes se permite identificar un total de 47 documentos seleccionados que abordan los problemas de generalización y técnicas de optimización, finalmente se contrasta la información de las diferentes arquitecturas para la elaboración de una tabla comparativa que evidencia mejoras en la precisión de los sistemas de inspección óptico mediante el porcentaje alcanzado. Estos resultados contribuyen como un insumo al conjunto de literatura existente para mejoras al sector de la manufactura.