MENÚ
VIGILADA MINEDUCACIÓN
SNIES 1804
+57 3853400

Solución a los problemas de soldadura gracias a dos registros de software otorgados a Uniautónoma por un estudiante de Maestría en Ingeniería Electrónica

Jueves, 11 Marzo 2021 13:03
Valora este artículo
(0 votos)

Convolutional Neural Networks y Welding Image Acquisition son los registros de software que detectan y segmentan defectos de soldadura. Ambos fueron parte de los productos entregables del proyecto de grado “Inspección visual de soldaduras con procesamiento digital de imágenes” de la Maestría de Ingeniería Electrónica de Kevin Jesús Velasquez Gutiérrez, ingeniero electrónico y de telecomunicaciones.

 

“Como estudiante a cargo del proyecto participé en la selección y gestión de la compra de los materiales para la construcción de los productos soldados, en el diseño y construcción del sistema de adquisición de imágenes, elaboración y adecuación de la base de datos, la revisión del estado del arte y la selección de las arquitecturas de aprendizaje profundo adecuadas para la solución del problema y su posterior entrenamiento, elaboración de las interfaces de usuario y pruebas de validación”, inició diciendo el estudiante de maestría.

 

Los software resultantes del proyecto son una herramienta para mejorar los procesos de soldadura a nivel industrial, no solo determinan si un producto soldado presenta ciertas discontinuidades. También, generan la información necesaria para analizar las causas de las irregularidades y realizar los ajustes que el proceso requiera para mitigarlas.

 

Para realizar la inspección de productos soldados a través de imágenes se requiere de una herramienta como Welding image acquisition – WIA, desarrollada en Matlab 2019a, que controla una Cámara web conectada al puerto USB del computador y permite capturar las fotografías brindando al usuario las opciones de escoger la calidad de la imagen, su formato, rutas de almacenamiento y prefijos para almacenamiento consecutivo.

 

Una vez obtenida las imágenes de los productos soldados se pueden procesar en uno de los dos software registrados para tal fin, Convolutional Neural Networks for failure segmentation on welding joint process - CNN-FailSegWeld y Artificial Vision Inspection of Welding With Quality Concept Assumption – AVIW-QCA.

 

AVIW-QCA fue construido en Matlab 2019a utilizando técnicas clásicas de procesamiento digital de imágenes como mejoras de iluminación, contraste, detección de bordes por medio de la varianza local y transformada Hough para la detección de círculos. En conjunto estas técnicas analizan ambos lados del producto soldado para determinar la presencia de defectos como porosidad, salpicadura, falta de continuidad, falta de penetración y exceso de penetración, brindando al usuario las opciones de seleccionar las causas de estos defectos y almacenarlas en el registro para posteriores análisis de calidad. El software también permite seleccionar la visualización de los defectos encontrados marcándolos con diferentes colores.

 

CNN-FailSegWeld fue desarrollado con lenguaje Python en el entorno Spyder 4, utiliza las novedosas técnicas de aprendizaje profundo (Deep Learning) para detectar y segmentar defectos de soldadura en el lado de la cara y la raíz del producto soldado. Deep Learning es un conjunto de algoritmos de aprendizaje automático que emulan el funcionamiento del cerebro humano. En la plataforma de Google Colab se entrenaron diferentes arquitecturas de redes neuronales convolucionales (CNN por sus siglas en ingles) a las que se les indicó como encontrar los defectos y generar una imagen con su localización de igual tamaño a la imagen de entrada. Esta técnica permite realizar el procesamiento de las imágenes mucho más rápido que las técnicas clásicas, ocupa menor espacio en la unidad de almacenamiento y supone un menor costo computacional.

 

“Mi participación en este proyecto fue sin duda, el mayor reto en mi carrera como Ingeniero Electrónico. Me ha dejado conocimientos de procesos de soldadura e Inteligencia artificial que habrían sido imposible de obtener de otra manera, y doy gracias a todas las personas que hicieron parte de este proceso. Espero tener la oportunidad de seguir creciendo en esta área de aprendizaje participando en proyectos de estas características a nivel Industrial o académico.”, dijo Kevin Velasquez orgulloso pues la culminación de este proyecto le ha generado una transformación significativa en su hoja de vida, no solo se anexa el título de Magíster en ingeniería electrónica, también se agregan tres registros de software y la futura publicación de dos artículos científicos explicando el proceso y los resultados obtenidos.

 

“Como mencione antes, este proyecto ha abierto un nuevo camino para la universidad, el aprendizaje profundo es un campo de investigación relativamente joven con múltiples aplicaciones y que vale la pena explorar. En cuanto al proyecto de “Inspección visual de Soldadura mediante procesamiento digital de imágenes” deja a disposición de los estudiantes de la universidad un conjunto de muestras de soldaduras, un banco de adquisición, y modelos de Deep learning pre-entrenados para que los estudiantes que estén interesados en realizar las mejoras en los resultados obtenidos o realizar otro tipo de estudios los puedan realizar”, se despide el ingeniero electrónico y de telecomunicaciones Kevin Velasquez. DHS

 

Visto 1669 veces
Suscríbete a las notificaciones

Administra tus Notificaciones